Evaluación de Un Controlador Predictivo Basado en Un Modelo

Eval uaci n de un control ador
predi cti vo basado en un model o

semi fsico de i nferenci a borrosa
Takagi -Sugeno con conjuntos
mul ti di mensi onales

Eval uati on of a model predi cti ve
control usi ng a fuzzy
i nference system Takagi -
Sugeno wi th mul ti di mensi onal sets

Jhon Alexander Isaza Hurtado

Universidad Nacional de Colombia
Sede Manizales, Facultad de Ingeniera y Arquitectura
Departamento de Ingeniera Elctrica, Electrnica y Computacin
rea Curricular de Elctrica, Electrnica, Automatizacin y Telecomunicaciones
Manizales, Colombia
2012

Eval uaci n de un control ador
predi cti vo basado en un model o
semi fsico de i nferenci a borrosa
Takagi -Sugeno con conjuntos
mul ti di mensi onales

Jhon Alexander Isaza Hurtado

Tesis presentada como requisito parcial para optar al ttulo de:
Magister en Ingeniera - Automatizacin Industrial

Director:
Hernn Daro lvarez Zapata, I.Q., M.Sc., Ph.D.

Lnea de Investigacin:
Modelado y control avanzado de procesos industriales.
Grupo de Investigacin en Procesos Dinmicos - KALMAN

Universidad Nacional de Colombia
Sede Manizales, Facultad de Ingeniera y Arquitectura
Departamento de Ingeniera Elctrica, Electrnica y Computacin
rea Curricular de Elctrica, Electrnica, Automatizacin y Telecomunicaciones
Manizales, Colombia
2012

Padres: Jos y Lucelly, se reflejan con frutos
su confianza y apoyo incondicional.

Agradecimientos

A Dios, siempre est ah presentndome oportunidades increbles.

A Hernn, tutor y modelo a seguir que fcilmente se convierte en un gran amigo.

A mi familia, fuente de motivacin y superacin personal.

A los grupos de investigacin GAUNAL y KALMAN, por su apoyo acogedor, su compaa
y colaboracin en el alcance de esta meta.

Resumen y Abstract IX

Resumen
En busca de incursionar en la investigacin, la formulacin e incorporacin de nuevas
tcnicas de control fiables y viables a nivel industrial, este trabajo presenta la evaluacin
de un controlador predictivo que usa un Sistema de Inferencia Borrosa Takagi-Sugeno
con Conjuntos Multidimensionales (SIB T-S CBMD) como modelo de prediccin. El
Controlador Predictivo No Lineal Basado en Modelo (CPNBM) con SIB T-S CBMD
permite el control de procesos qumicos no lineales con eficiencia y alto grado de
flexibilidad. Por su parte, el control de pH de una corriente de sustancia es crtico en gran
variedad de procesos. En tal sentido, empresas productoras de alimentos como los
ingenios azucareros deben controlar eficientemente el pH del jugo de caa. Los
procesos de ajuste y neutralizacin del pH presentan un gran desafo por su fuerte no
linealidad, adicionando a este problema las perturbaciones del proceso, el ruido de los
instrumentos y los retardos del Elemento Final de Control (EFC), situacin frecuente en
la industria en general. Para cumplir el objetivo de incursionar en la investigacin del
modelado y control avanzado de procesos en ambientes industriales se emplearon datos
reales del proceso de alcalinizacin del jugo de caa del Ingenio La Unin S.A,
Guatemala. Los datos fueron empleados para ajustar el modelo SIB T-S con CBMD y
finalmente se propuso un CPNBM que usa tal modelo para el control de pH.

Palabras clave: control predictivo no lineal basado en modelo, control de pH, sistema de
inferencia borrosa Takagi Sugeno, conjuntos borrosos multidimensionales.

X Evaluacin de un CPNBM con SIB T-S y CBMD

Abstract
Looking for venturing into research, the formulation and introduction of new control
techniques reliable and feasible in industrial scale, this work presents the evaluation of a
predictive control using a Fuzzy Inference System Takagi-Sugeno (FIS T-S) with
Multidimensional Fuzzy Sets (MFS) as a prediction model. Nonlinear Model Predictive
Control (NMPC) with FIS T-S and MFS allows control of nonlinear chemical processes
with efficiency and high flexibility degree. Meanwhile pH Control of a dynamic fluid is
critical in a variety of processes. In this way, food companies such as sugar mills, should
effectively control pH of cane juice. The processes of pH adjustment and neutralization
present a great challenge because of its strong non-linearity, adding to this problem the
process disturbances, the instruments noise and delays in the Final Control Element
(FCE), common situation in the general industry. To rise the objective of entering in the
investigation of modeling and advanced control of industrial processes, there was used
actual data from the alkalinization process of the cane juice of La Union S.A. sugar mill,
Guatemala. The data were used to adjust the model FIS T-S and finely was proposed a
NMPC that used this model for pH control.

Keywords: nonlinear model predictive control, pH control, fuzzy inference system
Takagi-Sugeno, multidimensional fuzzy sets.

Contenido XI

Contenido
Pg.
Resumen ......................................................................................................................... IX
Lista de figuras ............................................................................................................. XIII
Lista de tablas .............................................................................................................. XV
Lista de abreviaturas ................................................................................................... XVI
1. Introduccin ............................................................................................................. 1
1.1 Motivacin ....................................................................................................... 2
1.2 Descripcin del trabajo y sus aportes .............................................................. 3
1.3 Objetivos .......................................................................................................... 4
1.3.1 Objetivo general .................................................................................... 4
1.3.2 Objetivos especficos ............................................................................ 4
2. Generalidades sobre Control Predictivo Basado en Modelo (CPBM) ................... 5
2.1 Definicin y caractersticas del CPBM ............................................................. 7
2.1.1 Control Predictivo Basado en Modelo para Plantas Lineales y No
Lineales 7
2.1.2 Control Predictivo No Lineal Basado en Modelo (CPNBM) ................... 8
2.1.3 Categoras Principales de los Algoritmos de CPBM ............................ 10
2.2 Estructura bsica de un CPBM ...................................................................... 10
2.2.1 Modelos para la Prediccin ................................................................. 12
2.2.2 Estimadores de Estado y Realimentacin ........................................... 12
2.2.3 Funcional de Costo (FC) ..................................................................... 13
2.2.4 Seleccin de Parmetros de Sintona ................................................. 14
2.2.5 Restricciones ...................................................................................... 14
2.2.6 Aspectos Computacionales de la Optimizacin ................................... 15
2.3 Esquemas de CPNBM que garantizan estabilidad ......................................... 17
3. Problema de Referencia: ajuste y neutralizacin de pH ...................................... 21
3.1 Potencial de Hidrgeno (pH) en la industria ................................................... 22
3.2 Modelo para el proceso de control de pH ....................................................... 25
3.3 Modelado del proceso de alcalinizacin de jugo de caa para el control de pH
en un Ingenio azucarero ........................................................................................... 30
3.4 Validacin del modelo del proceso de alcalinizacin de jugo de caa para el
control de pH en un Ingenio azucarero ..................................................................... 34
4. Identificacin de modelos mediante Sistemas de Inferencia Borrosa Takagi-
Sugeno (SIB T-S) y Conjuntos Borrosos Multidimensionales (CBMD) ..................... 39
XII Evaluacin de un CPNBM con SIB T-S y CBMD

4.1 Modelado a travs de sistemas de inferencia borrosa ....................................39
4.2 Sistema de Inferencia Borrroso Tipo Takagi-Sugeno (SIB T-S) ......................43
4.3 Propuesta de identificacin de sistemas a travs de SIB T-S .........................50
4.4 Identificacin de SIBT-S con CBMD y con CBUD para el PdeR. ....................54
4.4.1 Inicializaciones generales, toma y pretratamiento de datos .................54
4.4.2 Identificacin de SIBT-S con CBMD ....................................................59
4.4.3 Identificacin de SIB T-S con CBUD ....................................................65
4.5 Convergencia del SIB T-S con CBMD ............................................................67
5. Propuesta y evaluacin del CPNBM con SIB T-S y CBMD ...................................69
5.1 Diseo de un PID convencional para el PdeR ................................................70
5.2 Simulacin de controladores aplicado al proceso de alcalinizacin de jugo de
caa para el control de pH. .......................................................................................71
5.3 Caracterizacin de atributos del CPNBM con SIB T-S y CBMD. ....................80
6. Conclusiones y trabajo futuro ...............................................................................85
6.1 Conclusiones ..................................................................................................85
6.2 Trabajo futuro .................................................................................................87
Bibliografa .....................................................................................................................89

Contenido XIII

Lista de figuras
Pg.
Figura 2-1: Estructura bsica de un Control Predictivo Basado en Modelo. ..............11
Figura 2-2: Esquemas de CPNBM que garantizan estabilidad. .................................18
Figura 3-1: Esquema general de la etapa de tratamiento de jugo de caa para la
produccin de azcar blanca en un ingenio azucarero. ...................................................24
Figura 3-2: Alcalinizado del jugo de caa para el control de pH. ...............................30
Figura 3-3: Seales de las entradas medidas: a. Flujo de lechada de cal, b. Flujo de
jugo sulfitado, c. pH de lechada de cal, d. pH de jugo sulfitado. ......................................36
Figura 3-4: Seales medidas de: a. Conductividad del jugo alcalinizado, b. pH del
jugo alcalinizado. .............................................................................................................36
Figura 3-5: Comportamiento dinmico de los estados predichos. .............................37
Figura 3-6: Comportamiento dinmico del pH medido (**) vs. pH simulado (--). ........38
Figura 4-1: Diagrama de flujo de la propuesta para identificar SIB T-S con CBMD. ..40
Figura 4-2: Esquema de razonamiento de SIB T-S con CBMD. ................................46
Figura 4-3: Esquema de las nociones y 6T .......................................................47
Figura 4-4: Metodologa para la identificacin de SIB T-S con CBMD. .....................51
Figura 4-5: Seales de entrada persistentemente excitantes (datos de identificacin):
Flujos de jugo y de lechada de cal (izquierda), pH de jugo y de lechada de cal (derecha).
...............................................................................................................55
Figura 4-6: Comportamiento de: Estados 1 y 2 (izquierda) y Salida o pH de J ugo
alcalinizado (derecha) frente a datos de identificacin. ....................................................55
Figura 4-7: Seales de entrada persistentemente excitantes (datos de validacin):
...............................................................................................................56
Figura 4-8: Comportamiento de: Estados 1 y 2 (izquierda), Salida o pH de J ugo
alcalinizado (datos de validacin) (derecha). ...................................................................56
Figura 4-9: Dispersin IAE de validacin para diferentes auto-regresiones de 1
(izquierda) y de 2 (derecha). ..........................................................................................61
Figura 4-10: IAE para diferente nmero de CBMD del modelo con mnimo IAE. .........62
Figura 4-11: IAE para diferente nmero de CBMD del modelo con mnima dispersin
de IAE. ...............................................................................................................62
Figura 4-12: Comportamiento de 1 predicho con SIB T-S y CBMD frente a datos de:
Identificacin (izquierda) y Validacin (izquierda). ...........................................................64
Figura 4-13: Comportamiento de 2 predicho con SIB T-S y CBMD frente a datos de:
Identificacin (izquierda) y Validacin (izquierda). ...........................................................64
XIV Evaluacin de un CPNBM con SIB T-S y CBMD

Figura 4-14: Respuesta de validacin del SIB T-S con CBMD en espacio de estados
para pH de jugo alcalinizado. .......................................................................................... 64
Figura 4-15: Respuesta de validacin del SIB T-S con CBMD frente a datos de planta.
............................................................................................................... 65
Figura 4-16: Comportamiento de 1 predicho con SIB T-S y CBUD frente a datos de:
Identificacin (izquierda) y Validacin (derecha). ............................................................ 66
Figura 5-1: Curva de reaccin causada por un escaln positivo de 10 GPM en el flujo
de lechada de cal. ........................................................................................................... 71
Figura 5-2: Comportamiento de la perturbaciones para la simulacin de los
controladores. ............................................................................................................... 72
Figura 5-3: Simulacin del PdeR controlado por un PID con sintonizacin por Z-N:
accin de control (izquierdo), salida (derecho). ............................................................... 72
Figura 5-4: Simulacin del PdeR controlado por un PID con sintonizacin por Z-N y
restriccin en el EFC: accin de control (izquierdo), salida (derecho). ............................ 73
Figura 5-5: Simulacin del PdeR controlado por un PID con sintonizacin manual:
accin de control (izquierdo), salida (derecho). ............................................................... 74
Figura 5-6: Algoritmo del CPNBM usando como modelo un MSBF. ......................... 75
Figura 5-7: Simulacin del PdeR controlado por un CPNBM con MSBF: accin de
control (izquierdo) y salida (derecho). ............................................................................. 76
Figura 5-8: Plano de fase del CPNBM con SIB T-S y CBMD inicializado en diferentes
puntos de operacin. ....................................................................................................... 77
Figura 5-9: Convergencia del CPNBM con SIB T-S y CBMD inicializado en diferentes
puntos de operacin. ....................................................................................................... 78
Figura 5-10: Simulacin del PdeR controlado por un CPNBM con SIB T-S y CBMD:
accin de control (izquierdo) y salida (derecho). ............................................................. 78
Figura 5-11: Anlisis de robustez del CPNBM con SIB T-S y CBMD frente a
variaciones en el flujo de jugo sulfitado. .......................................................................... 81
variaciones en el pH flujo de jugo sulfitado. .................................................................... 81
variaciones en el pH de la lechada de cal. ...................................................................... 82
Figura 5-14: Algoritmo del CPNBM usando como modelo un SIB T-S con CBMD. ..... 83

Contenido XV

Lista de tablas
Pg.
Tabla 3-1: Clasificacin de variables y condiciones de operacin del proceso de
alcalinizacin de jugo de caa. ........................................................................................35
Tabla 4-1: Intervalo en unidades de ingeniera para la normalizacin de las variables
del proceso de alcalinizacin de jugo de caa. ...............................................................57
Tabla 4-2: Variables del modelo del proceso de alcalinizacin de jugo de caa. .........59
Tabla 4-3: IAE de los SIB T-S con CBMD obtenidos. ..................................................63
Tabla 4-4: Comparacin entre SIB T-S con CBUD y con CBMD obtenidos. ................67
Tabla 5-1: ndices de desempeo de los controladores simulados para el PdeR. .......79
Tabla 5-2: Atributos analizados para el CPNBM con SIB T-S y CBMD. ......................80
Tabla 5-3: ndices de desempeo de los controladores simulados para el PdeR. .......80
Tabla 5-4: ndices de carga computacional de los modelos para predecir 1. .............82

Contenido XVI

Lista de abreviaturas

Abreviatura Trmino
AP Autmata Programable
ARX Modelo autorregresivo con variable exgena
CBUD Conjuntos Borrosos Multidimensionales
CBMD Conjuntos Borrosos Unidimensionales
CPBM Controlador Predictivo Basado en Modelo
CPNBM Controlador Predictivo No Lineal Basado en Modelo
EFC Elemento Final de Control
FC Funcional de Costo
Hc Horizonte de control
Hp Horizonte de prediccin
IAE Integral del valor absoluto del error
ICE Integral del error cuadrtico
ITAE Integral del valor absoluto del error ponderado en el tiempo
MISO Procesos de mltiples entradas y una salida
MSBF Modelo Semifsico de Base Fenomenolgica
OER Optimizacin por Enumeracin Restringida
PID Ley de realimentacin proporcional integral y derivativa
PdeR Problema de referencia
SB Sistema Borroso
SIB Sistema de Inferencia Borrosa
Contenido XVII

SIB T-S Sistema de Inferencia Borrosa Takagi-Sugeno
SdeP Sistema de Proceso

1. Introduccin
En la actualidad, las industrias enfrentan un mercado cambiante y difcil de predecir
debido a la evolucin misma de los consumidores que exigen mejores caractersticas y
especificaciones de los productos, mientras que las empresas buscan mejores ndices de
desempeo y rentabilidad. Para lograr estas metas es necesario incluir tcnicas
avanzadas de modelado y control en los procesos industriales. Los PID son los
controladores con mayor uso en los procesos industriales, a pesar de su dificultad para
manejar no linealidades fuertes y dinmicas complejas, como ocurre en el control de pH,
frecuente en la industria azucarera y el tratamiento de aguas. En el control de estos
procesos es donde la estrategia de Control Predictivo No Lineal Basado en Modelo
(CPNBM) tiene un futuro prometedor.

En los ltimos aos el Control Predictivo Basado
en Modelo (CPBM) se ha convertido en la mejor estrategia de control avanzado para una
gran cantidad de procesos qumicos, por la facilidad de manejo, el uso de conceptos
intuitivos, la amplia aplicabilidad en procesos desde dinmicas simples hasta muy
complejas, incluyendo sistemas con grandes retardos o inestables, la facilidad de uso en
el caso de sistemas multivariables, la compensacin intrnseca del retardo, el tratamiento
de restricciones de forma sistemtica durante el proceso de diseo y adems permite
futuras extensiones al controlador [Bordns,2000].
EL CPBM acepta cualquier tipo de modelos, funciones objetivo o restricciones, siendo la
metodologa que actualmente puede reflejar ms directamente los mltiples criterios de
funcionamiento relevantes en los procesos industriales. Quizs sea esta la principal
razn del xito de estas tcnicas en numerosas aplicaciones, unida a que es la forma
ms general de formular el problema de control en el dominio del tiempo, de manera que
puede resultar fcil de aceptar por el personal de la industria.

El CPBM No lineal (CPNBM) surgi hace relativamente poco tiempo y existen pocas
referencias de aplicaciones industriales. Sin embargo, debido a su capacidad para tener
2 Evaluacin de un CPNBM con SIB T-S y CBMD

en cuenta las no-linealidades del proceso, es una opcin prometedora de implantacin a
corto plazo. Adems, hay un ambiente propicio para el uso de modelos no lineales en el
control predictivo. El proceso, por ejemplo, puede estar representado por un Modelo
Semifsico de Base Fenomenolgica (MSBF), pero los MSBF contienen implcitamente
toda la informacin del proceso y por el hecho de ser un modelo matemtico, puede
presenta problemas de iteraciones que atentan contra la convergencia rpida, generando
excesiva carga computacional al resolver mltiples ecuaciones diferenciales en cada
tiempo de muestreo. Otra forma de representar el proceso real es a partir de Sistemas de
Inferencia Borrosa tipo Takagi-Sugeno (SIB T-S). Los SIB T-S usados como modelos no
presentan problemas de iteracin debido a su naturaleza puramente algebraica. Sumado
a esto, si se incluyen Conjuntos Borrosos Multidimensionales (CBMD): se parte el
espacio de estados en clusters, se reduce drsticamente la incertidumbre adicionada al
modelo [Sierra, 2009], reduce el nmero de parmetros del modelo (para el caso de
Conjuntos Borrosos Unidimensionales los grados de libertad del modelo exigen alta
destreza de quien modela) y disminuye la carga computacional. Entonces, una alternativa
para reproducir la estrategia de control del operador, es modelar el proceso no lineal a
travs SIB T-S con CBMD y entonces incorporar dicho modelo en el CPNBM [lvarez y
Pea, 2004]. Teniendo en cuenta estas ventajas que presenta el uso de estos
controladores, a nivel acadmico se han realizado aplicaciones en montajes de
laboratorio [lvarez y Pea, 2004], [lvarez y Garca, 2005], [Gutirrez et al, 2008],
[Ramrez, 2011], con propuestas para probar la estabilidad de dichos controladores
[lvarez, 2000], [Ramrez, 2011], pero no se ha caracterizado y evaluado dichos CPNBM
usando como modelo un SIB T-S con CBMD dentro de aplicaciones industriales reales.
1.1 Motivacin
Esta investigacin se realiza con la finalidad de incursionar en el modelado y control
avanzado de procesos industriales y continuar la trayectoria del Grupo de Investigacin
en Procesos Dinmicos-KALMAN en este tema. De esta manera, se busca estrechar un
poco ms la brecha existente entre la academia y la industria. La academia emplea la
ciencia para resolver problemas que comnmente son idealizados, mientras que la
industria es reacia a cambios en sus procesos cuando no existe la demostracin de los
avances ante problemas reales. Para esta Tesis, en busca de obtener un problema real
de la industria, se emplearon datos de planta y especificaciones del proceso de
Introduccin 3

tratamiento de jugo de caa el Ingenio La Unin S.A. Guatemala, para lo cual se realiz
una estancia investigativa en dicha empresa. De esta forma, se obtuvo un Modelo
Semifsico de Base Fenomenolgica (MSBF), lo ms fiel posible al proceso. Es dicho
modelo es el que en adelante se emplea como planta real. El MSBF permiti disear
experimentos para la identificacin del SIB T-S con CBMD. Posteriormente se incluy el
SIB T-S con CBMD dentro de la tcnica de control CPNBM y finalmente se caracterizaron
atributos como desempeo, robustez, carga computacional, precisin y facilidad de
implantacin del CPNBM usando como modelo un SIB T-S con CBMD.
1.2 Descripcin del trabajo y sus aportes
Este trabajo se extiende al uso de Controladores Predictivos No Lineales Basado en
Modelo (CPNBM) usando como modelo un Sistema de Inferencia Borrosa Takagi-
Sugeno (SIB T-S) con Conjuntos Borrosos Multidimensionales (CBMD), usando datos de
planta reales y adems evaluando las ventajas y desventajas de su uso industrial.

En el Captulo 2 se presenta brevemente la fundamentacin de controladores predictivos
basados en modelo enfatizando en control no lineal, se discuten algunas brechas
abiertas del CPNBM que no son objeto de esta investigacin y que finalmente se
proponen como trabajo futuro. En el Captulo 3 se presenta el problema de control y
ajuste de pH como Problema de Referencia (PdeR) de la presente investigacin. Se
discute la importancia y la problemtica del PdeR para el cual se enfatiza en el
subproceso de alcalinizacin de jugo de caa en el Ingenio Azucarero La Unin S.A,
Guatemala. Con la informacin recolectada del proceso se plantea el Modelo Semifsico
de Base Fenomenolgica (MSBF) en espacio de estado a partir de la teora de
invariantes de reaccin que describen el comportamiento del pH en una solucin. El
MSBF es validado con datos reales con el fin de garantizar la representacin fiel del
proceso de alcalinizacin de jugo de caa en el Ingenio La Unin. Luego el Captulo 4
describe brevemente el modelado de procesos haciendo nfasis en el uso modelos con
Sistemas de Inferencia Borrosa (SIB). Se clasifican los SIB en tres subgrupos:
lingsticos, relacionales y Takagi-Sugeno (T-S). El SIB T-S posibilita la utilizacin de
Conjuntos Borrosos Unidimensionales (CBUD) y Conjuntos Borrosos Multidimensionales
(CBMD), ambos tipos son comparados cuantitativa y cualitativamente por medio de
simulaciones, presentando mejores resultados los CBMD. Finalmente, se presenta una
metodologa novedosa para seleccionar los parmetros del SIB T-S con CBMD.

Posteriormente, en el Captulo 5 se disea el CPNBM usando como modelo un SIB T-S
con CBMD, y se aplica al proceso de alcalinizacin para el control y ajuste de pH de jugo
de caa. Este controlador es comparado cualitativamente con el CPNBM que usa MSBF
y con el PID convencional. Se caracterizan las bondades que el CPNBM con SIB T-S y
CBMD tiene en el control de procesos qumicos no lineales a nivel industrial, en aspectos
como: i) precisin, desempeo y robustez del CPNMB y ii) la velocidad de ejecucin y la
facilidad de implantacin del algoritmo.
1.3 Objetivos
En adelante, se presentan en los captulos
posteriores las conclusiones, el trabajo futuro y las referencias.
Los objetivos aprobados para esta investigacin de posgrado, nivel Maestra en
Ingeniera Automatizacin Industrial son como se muestran a continuacin.
1.3.1 Obj eti vo general
Evaluar las ventajas y desventajas de un controlador predictivo basado en un modelo
semifsico de inferencia borrosa Takagi-Sugeno multidimensional, frente a otros
controladores aplicables a sistemas no lineales, todo simulado en un proceso qumico no
lineal.
1.3.2 Obj eti vos especfi cos

Contrastar las caractersticas operativas y de desempeo de un Modelo Semifsico de
Inferencia Borrosa Takagi-Sugeno Unidimensional y un Modelo Semifsico de
Inferencia Borrosa Takagi-Sugeno Multidimensional.

Examinar las diferencias y dificultades de la implantacin de un controlador predictivo
basado en un modelo semifsico de inferencia borrosa Takagi-Sugeno
multidimensional respecto de otros controladores predictivos basados en modelos no
lineales y controladores PID.

Disear un controlador predictivo basado en un modelo semifsico de inferencia
borrosa Takagi-Sugeno multidimensional estable, aplicado a un proceso qumico no
lineal: ajuste de pH.
Caracterizar atributos como desempeo, robustez, carga computacional, precisin y
facilidad de implantacin de un controlador predictivo basado en un modelo
semifsico de inferencia borrosa Takagi-Sugeno multidimensional.

2. Generalidades sobre Control Predictivo
Basado en Modelo (CPBM)
Este captulo expone los aspectos ms relevantes de la tcnica denominada Control
Predictivo Basado en Modelo (CPBM), enfatizando en CPBM no lineal, es decir, con
modelo no lineal del proceso, a fin de brindar el soporte necesario para la propuesta de
control que se plantea en este trabajo: la evaluacin de un Controlador Predictivo No
Lineal Basado en Modelo (CPNBM) usando como modelo un Sistemas de Inferencia
Borrosa Takagi-Sugeno con Conjuntos Borrosos Multidimensionales (SIB T-S CBMD).
Aunque lo expuesto aqu no pretende profundizar en cada tema, s se hace una mencin
detallada de los aspectos que caracterizan la estructura comn del CPBM y que lo han
posicionado como una de las tcnicas de control de mayor aplicacin en el rea de los
procesos qumicos [Bordns, 2000], [lvarez, 2000], [Brosilow and J oseph, 2002], [Stan et
al, 2006], [Magni, Raimondo and llgwer, 2009], [Ramrez, 2011]. Si bien los
controladores predictivos tienen su origen en el control

ptimo [Propoi, 1963], [Lee and
Markus, 1967], [Kwon and Pearson, 1977], nuevas y ms avanzadas formulaciones
surgieron en el seno de la industria, principalmente en la industria petroqumica y de
procesos. La necesidad de controlar procesos en puntos de operacin lmites con el
objetivo de optimizar el proceso productivo llev a la aparicin de controladores
predictivos basados en modelos sencillos, orientados a la resolucin de los problemas de
control asociados, tales como la consideracin de restricciones, incertidumbres y no
linealidades. Entre otras formulaciones destacan las siguientes [Limn, 2002]:
IDCOM o MPHC (Identification-Command o Model Predictive Heuristic Control):
propuesto en [Richalet, Rault, Testud and Papon, 1978] y que utiliza como modelo de
prediccin la respuesta finita al impulso (FIR), una funcin de costo

cuadrtica, y
restricciones en las entradas y salidas. El algoritmo de optimizacin es heurstico.
DMC (Dynamic Matrix Control): propuesto en [Cutler and Ramaker, 1980], utiliza como
modelo de prediccin la respuesta ante escaln, lo cual limita su aplicacin a plantas

estables. Adems, considera un coste cuadrtico penalizando el esfuerzo de control y
no considera restricciones en la optimizacin.

QDMC (Quadratic Dynamic Matrix Control): propuesto en [Garca and Morshedi,
1986], surge de la extensin del DMC al caso con restricciones. Este controlador
forma parte de la denominada segunda generacin de controladores predictivos, en
los que el problema de optimizacin asociado se resuelve utilizando la programacin
matemtica. Establece dos tipos de restricciones: duras y blandas, permitiendo la
violacin de estas ltimas durante algn periodo de tiempo.

SMOC (Shell Multivariable Optimizing Control): propuesto en [Marquis and Broustail,
1988], forma parte de la tercera generacin de controladores predictivos. Permite la
utilizacin de modelos en espacios de estados e incorpora observadores y modelos de
perturbaciones. Introduce tambin restricciones duras, blandas y con niveles de
prioridad.

GPC (Generalized Predictive Control): propuesto en [Clarke, Mohtadi and Tuffs,
1987a], [Clarke, Mohtadi and Tuffs, 1987b], utiliza como modelo de prediccin la
formulacin CARIMA, que incorpora una perturbacin modelada como ruido blanco
[Ljung, 1987]. Incorpora restricciones y existen resultados asociados a la estabilidad.
CPNBM (Controlador Predictivo No Lineal Basado en Modelo): formulado por
[Camacho and Bordons, 2004] y aplicado en [lvarez, 2000], [lvarez y Garca, 2005],
[Wang, 2006], [Magni, Raimondo and llgwer, 2009], [Gutirrez el al., 2008],
[Ramrez, 2011], el cual, propone un modelo no lineal para predecir la dinmica del
proceso. Los dos campos de investigacin ms importante sobre CPNBM en la
dcada pasada son: el anlisis de estabilidad en horizonte finito y la aplicacin de
programacin dinmica en presencia de perturbaciones estocsticas, todo para el
CPBM con modelo no lineal del proceso. La estabilidad est apuntando a la bsqueda
de soluciones por caminos diversos: horizonte infinito y restricciones terminales,
horizonte variables y control predictivo hbrido, restricciones de contraccin y
estabilizacin robusta. La aplicacin de programacin dinmica juega un papel
importante en los controladores con mltiples objetivos y la priorizacin de su
cumplimiento. A pesar del progreso significativo que han logrado las tcnicas de
CPBM, an persisten muchos problemas abiertos relacionados con la fundamentacin
terica y las propiedades del CPBM no lineal.
Captulo 2. Generalidades sobre CPBM 7

2.1 Definicin y caractersticas del CPBM
2.1.1 Control Predi cti vo Basado en Model o para Pl antas Lineal es
y No Li neal es
El Control Predictivo Basado en Modelo (CPBM) es un concepto amplio aplicable tanto a
sistemas lineales como no lineales, que tiene sus races en los desarrollos de la teora del
control ptimo en la ltima parte de la dcada del 50, pero logra su consolidacin como
tcnica independiente a finales de la dcada del 70. En este tipo de control, un modelo del
proceso predice las evoluciones de las variables, sobre un horizonte de prediccin finito
especificado. Se obtiene una estrategia de control ptimo al minimizar un Funcional de
Costo (FC), que usualmente incluye, entre otros, un trmino relacionado con el error y otro
que penaliza el esfuerzo de control aplicado, todo sobre un horizonte de control finito
especificado. La entrada de control se optimiza sobre este horizonte de control, que es
ms corto o a lo sumo igual que el horizonte de prediccin. Slo la primera accin de
control calculada se aplica al proceso y la optimizacin se repite en el prximo instante de
muestreo. A esto se le denomina aplicacin por horizonte desplazable. Esto permite la
introduccin en el problema de optimizacin de restricciones por saturacin o por
velocidades de variacin en las variables, as como cualquier otra restriccin relacionada
con las variables del proceso. Diversos trabajos han demostrado que el CPBM es un
mtodo basado en el control ptimo, que permite la construccin de leyes de control
retroalimentado estabilizantes [de Oliveira, 1996], [Chen and Allgower, 1998].

En general se hace distincin entre el CPBM lineal y no lineal. El CPBM lineal se refiere
aquellos CPBM en los cuales se usa un modelo lineal para predecir las dinmicas del
sistema y se consideran restricciones lineales en los estados y en las entradas. En la
actualidad existen numerosas investigaciones en el tema que permiten denominar al
CPBM Lineal como un tema maduro y bien fundamentado, donde se pueden garantizar
tpicos tan importantes como la estabilidad, optimalidad y la factibilidad de las acciones
de control. Adems cabe anotar que existen numerosas tcnicas de implementacin del
algoritmo de control en CPBM lineal, vase por ejemplo [Camacho y Bordons, 2004].
Como bien se sabe, la gran mayora de procesos industriales son tpicamente operados
usando controladores lineales, aunque es bien conocido que muchos de estos procesos
son altamente no lineales. Algunas plantas con un grado de no linealidad mediano a alto,

no pueden ser controladas exitosamente con esta estrategia. En casos extremos, el
controlador debe operarse en modo manual bajo ciertas condiciones del proceso
[Shinskey, 1996]. El Controlador Predictivo No Lineal Basado en Modelo (CPNBM) ha
sido propuesto como una alternativa al CPBM lineal para este tipo de plantas.
2.1.2 Control Predi cti vo No Lineal Basado en Model o (CPNBM)

El CPNBM se refiere a aquellos CPBM que estn basados en modelo no lineales y/o
consideran un funcional de costo no cuadrtico y restricciones no lineales [llgwer, et al.,
2004]. En este caso la obtencin de la accin de control pasa de ser un problema de
optimizacin a ser un problema numrico resuelto por un mtodo iterativo de bsqueda,
es decir, ante la imposibilidad de encontrar una accin de control ptima se procede a
encontrar una buena accin de control, que sea factible para su aplicacin, cumpliendo
ciertas caractersticas bsicas. Estas caractersticas no son ms que no exceder el tiempo
de resolucin del mtodo numrico, para la obtencin de la accin de control y cumplir
con las exigencias del elemento final de control, como el rango de medida (span, en
ingles) en el caso de las vlvulas, y las restricciones impuestas a la variable asociada con
este elemento.
Para la obtencin de la accin de control se ha intentado enfocar la investigacin en
tcnicas basadas en la inteligencia artificial, a veces con resultados no muy efectivos. En
contraposicin a esto se tienen como alternativa las tcnicas enumerativas, que si bien
exigen ms costo computacional ofrecen mejores resultados. En el presente trabajo se
explicar en detalle la generacin de polticas o tiras de posibles acciones de control
empleando la

Optimizacin por Enumeracin Restringida [lvarez, 2000], [lvarez y
Garca, 2005], [Isaza y lvarez, 20011]. Cabe anotar que el costo computacional se eleva
de manera considerable si tenemos en cuenta que el procesador debe solucionar un
mtodo numrico para la resolucin de un modelo de prediccin (sistema de ecuaciones
diferenciales no lineales) y posterior optimizacin en cada tiempo de muestreo del
proceso.

A continuacin se presenta la formulacin bsica del problema a resolver en un CPBM
para plantas no lineales en el espacio de estado, siendo inmediata la extensin a un
CPBM entrada-salida. Sea el proceso descrito mediante:

() = [(), (), ] 16Tcon
() = [(), (), ]
(
0
) =
0

(2.1)
min
()
[(), ()]
el problema del CPBM es:
sujeto a

() = [(), (), ]
(
0
) =
0
; [
0
,
0
+ ]
con:

1
[(), ()] = 0;

2
[(), ()] 0;
restricciones de igualdad
restricciones de desigualdad

(2.2)

donde [(), ()] 16Tes un Funcional de Costo (FC) escalar, definido positivo, que evala el
desempeo del controlador. La funcin [(), (), ] 16Trepresenta la dinmica de la planta
en el espacio de estado. La funcin [(), (), ] 16Trepresenta la salida o transformacin
de estados a salida. 16T es el periodo de muestreo.
16T es el horizonte de prediccin.

0
es
el tiempo inicial o de arranque del sistema.
0
es la condicin o estado inicial de la planta.
() es el vector de acciones de control. Debe recordarse que en esta formulacin
general, el vector de estado () se asume se puede obtener de manera directa desde el
vector de salida (). Adicionalmente, toda esta representacin puede transformarse en
una formulacin discreta, a travs de alguno de los mtodos propuestos en la literatura
[Muske and Edgar, 1997].
FC[(), ()] = [(), (),
0
, (
0
+
)] + [(), (), ]
0
+
0

En general, el FC puede expresarse como:

(2.3)

con una funcin de penalizacin [(), (),
0
, (
0
+
)], basada en las condiciones

inicial y terminal del sistema y la funcin [(), (), ] que evala la evolucin del
sistema dentro del intervalo de optimizacin [
0
, (
0
+
)], de manera continua o

discreta. Una de las formas ms comunes de esta funcin usa ndices cuadrticos:
[(), (), ] = ()
() +()
()

(2.4)
con y matrices definidas positivas. Esta expresin admite la adicin de otros trminos
de penalizacin, que como se ver ms adelante en formas equivalentes del FC, permiten
obtener un desempeo totalmente ajustado a las necesidades del proceso.

2.1.3 Categoras Principales de los Al gori tmos de CPBM
Dentro del contexto de la formulacin general del problema del CPBM para sistemas no
lineales presentada, resulta conveniente declarar tres categoras principales de algoritmos
bsicos para la implantacin del CPBM [Ramrez, 2011

]:

Algoritmos de CPBM con horizonte de prediccin finito. En este caso el horizonte de
prediccin cumple que H
P
(0, ). Fue la formulacin original del CPBM y sobre la
que ms se ha publicado. Se ha aplicado con xito en plantas lineales y en algunas
plantas no lineales bajo restricciones. Su desventaja cuando se aplica a plantas no
lineales radica en la falta de pruebas de estabilidad consistentes.

Algoritmos de CPBM con horizonte de prediccin infinito. En esta categora de
algoritmos el horizonte de prediccin tiende a infinito H
P
. Tambin ha sido
aplicado exitosamente a plantas lineales, y en algunos casos a plantas no lineales de
caractersticas especiales. El aspecto ms problemtico de los algoritmos de esta
categora es el costo computacional que implica la extensin del horizonte de
prediccin, cuando se intenta aplicar a plantas con incertidumbre.
2.2 Estructura bsica de un CPBM
Algoritmos de CPBM con horizonte de prediccin finito y restricciones estabilizantes.
Existen algoritmos que aplican una restriccin, generalmente de igualdad, al final de
un horizonte predeterminado. El otro grupo de algoritmos aplica una restriccin, del
tipo desigualdad, que se mueve a medida que se avanza en la tarea de optimizacin.
Este ltimo tipo de algoritmo para CPBM ha sido aplicado con xito a una variedad de
plantas no lineales, puesto que se cuenta con bases tericas para determinar la
estabilidad del lazo cerrado. Es precisamente de esta categora de la cual se toma el
algoritmo bsico de CPBM usado en el presente trabajo, con el fin de desarrollar un
CPBM con Sistemas de Inferencia Borrosa Takagi-Sugeno (SIB T-S).

En general, la estructura bsica del Control Predictivo Basado en Modelo (CPBM) es la
mostrada en la Figura 2-1. Es precisamente esta configuracin con realimentacin de
estado (o de salida), la que se usar en el presente trabajo de tesis. Las diversas
implementaciones del CPBM son iguales en su estructura, por lo que slo difieren en
algunos detalles a la hora de su implantacin.

Figura 2-1:

Estructura bsica de un Control Predictivo Basado en Modelo.

Como se ve, el observador o modelo que se seleccione, usa la informacin de la entrada
y la salida para calcular estimados del estado ( + 1|), , ( +
|) o predicciones de
salida ( +1|), , ( +
|), en un horizonte futuro de longitud
. En el paso , y
con este modelo de prediccin, se puede usar un esquema de optimizacin para predecir
el conjunto de acciones de control (), , ( +
1), que aplicadas lograrn que el

estado o la salida sigan una trayectoria deseada sobre el horizonte de prediccin
y con
la variable manipulada cambiando nicamente en un horizonte de control
<
. El
optimizador toma en consideracin las restricciones de entrada o salida que puedan
existir, incorporndolas directamente dentro de la tarea de optimizacin. Para modelos
lineales del sistema, que adems usen un FC lineal o cuadrtico, la optimizacin puede
resolverse por programacin lineal o cuadrtica respectivamente [Rao and Rawlings,
2000]. Cuando el modelo del sistema es no lineal, independientemente de la forma del FC
(lineal o cuadrtico), el problema de optimizacin resultante es no lineal y adicionalmente,
resulta en la mayora de los casos un problema no convexo [Muske and Edgar, 1997]. De
la secuencia de control calculada, solo se aplica la primera accin de control (), lo que
provoca la transicin del sistema entre y ( +1). En el instante ( + 1) se actualizan las
mediciones, por lo que el observador de estado o predictor de salida puede usar
adicionalmente ( +1) ( +1) y () para calcular estimas nuevas para el estado o
la salida futura. Los horizontes de prediccin
y de control
, se desplazan un paso

hacia adelante, lo que genera el nombre comn de control por horizonte desplazable o
deslizante
2.2.1 Model os para l a Predicci n
. A continuacin se muestran en detalle las partes ms importantes de la
estructura de CPBM bsica.

Como se deduce fcilmente, la parte ms importante de la estructura de CPBM es el
modelo del proceso. Aunque han surgido muchos esquemas diferentes para este tipo de
control, los modelos lineales del proceso derivados de datos de entrada-salida son los
ms empleados a nivel industrial, si bien muchos procesos presentan comportamiento no
lineal [Richalet, 1993], [Meadows and Rawlings, 1997] [Radons and Neugebauer, 2004].
Es precisamente esta no linealidad la que representa el mayor desafo a la tarea de
control, especialmente cuando los requerimientos del proceso se establecen como ndices
de desempeo relacionados con la calidad del producto, aspectos econmicos y factores
de preservacin del medio ambiente. Una clasificacin gruesa separa los modelos
susceptibles de ser usados en el CPBM en dos tipos.

Modelos lineales: Permiten una solucin matemtica analtica al problema de CPBM,
aunque presentan los inconvenientes tpicos cuando se enfrenta a procesos no
lineales. Los dos grandes grupos de estos modelos son los paramtricos y los no
paramtricos [Ljung, 1987].
2.2.2 Estimadores de Estado y Realimentacin
Modelos no lineales: Capturan mejor la dinmica propia del proceso cuando este
presenta caractersticas no lineales, pero transforman el problema del CPBM en uno
no lineal, que normalmente exige solucin numrica. Como se pueden presentar
mnimos locales, se debe verificar que el mnimo logrado por la optimizacin sea
adecuado. Las dos limitaciones principales en la aplicacin de modelos no lineales
para el control de procesos en lnea son la identificacin del modelo y la robustez del
algoritmo de control [Espinosa and Vandewalle, 1997], [Surez, 1998].
Se reserva en este trabajo el nombre de estimador de estado para un modelo particular
de la relacin entre el estado futuro del proceso y las entradas, salidas y estados
pasados. De este modo, tal modelo particular permite estimar el valor del estado del
proceso en el prximo instante de tiempo, contando con los valores de la entrada, la

salida y el estado hasta el instante actual. Dependiendo del tipo de implementacin del
CPBM que se use, el estimador de estado estar implcito o explcito. Si todo el CPBM se
implementa como entrada-salida, el estimador de estado es un modelo que predice la
salida con datos pasados de entrada-salida, por lo que resulta implcito. Si por el
contrario, la implementacin del CPBM se hace directamente en el espacio de estado y
algunos de los estados del proceso no se miden (por lo que deben estimarse), el
observador de estado ser un modelo explcito que realice tal estimacin de los estados
no medidos. Existe una amplia literatura sobre la construccin de estimadores de estado
(observadores), pruebas de convergencia y restricciones para su aplicacin [Botero,2011].
2.2.3 Funcional de Costo (FC)
De manera genrica, bsicamente existen slo dos partes en cualquier controlador: un
mecanismo de representacin del conocimiento y un mecanismo de toma de decisiones.
Este ltimo mecanismo realiza su labor basndose en una evaluacin cuantitativa de
algn ndice de desempeo o utilidad de la poltica de control. Para tal fin, se formula una
funcin objetivo o Funcional de Costo (

FC). La ms empleada en CPBM es la cuadrtica,
que puede no tener restricciones asociadas (caso ideal) o contar con otro grupo de
formulaciones que expresan las restricciones bajo las que se debe realizar la optimizacin
[Surez, 1998]. A continuacin se presenta la formulacin bsica del CPBM para plantas
no lineales pero en su expresin discreta, puesto que la mayora de los sistemas
industriales operan como sistemas muestreados y en la tesis se abordan siempre CPNBM
discretos. En adelante, se usar la notacin
( +|) para indicar que se estima el valor

que tendr la variable en el instante ( +), utilizando los datos disponibles hasta el
instante . Se presenta directamente el FC en trminos de entrada-salida y para sistemas
de una entrada y una salida, puesto que es la estructura principal de CPNBM que se usa
en la propuesta del presente trabajo. Su extensin a sistemas de mltiple entrada y
mltiple salida es directa [Espinosa and Vandewalle, 1998].
[(), ()] =
( + ) ( +|)
2
1
=
1
+
[( + 1)]
2
2
=
2
+

[( +|)]
2
3
=
3
.

(2.5)
donde es la salida estimada,
es el valor de referencia para la salida, ( +

1
)
= [( + 1) ( + 2)] es el cambio en la accin de control y ( +|) =

[( + +1|) ( +|)] es el cambio estimado en la salida predicha. Los parmetros
son trminos de ponderacin dependientes de la aplicacin, que efectan un

escalado. Los parmetros
1
,
2
,
3
,
1
,
2
y
3
tambin dependen de la aplicacin y
siempre deben cumplir que 1
, con
el horizonte de prediccin e =
{1, 2, 3}. Usualmente
1
,
2
y
3
se toman iguales a 1.0 mientras que
1
y
3
se toman
iguales a

2
se hace igual al horizonte de control
. Queda abierta la posibilidad de

incluir otros trminos en el FC, siempre que puedan calcularse a partir de datos
disponibles hasta el instante . El efecto de la minimizacin del trmino relacionado con el
error (primer trmino en el FC) no es ms que garantizar una buena regulacin (o
seguimiento) del proceso. En cambio, la minimizacin del segundo y tercer trmino del FC
busca disminuir las oscilaciones en la salida, buscando una respuesta lo ms suave
posible. Particularmente, el tercer trmino del FC hace explcitamente una penalizacin
sobre los movimientos bruscos de la salida predicha.
2.2.4 Selecci n de Parmetros de Si ntona
Los parmetros de operacin caractersticos del CPBM son: el intervalo de muestreo , el
horizonte de prediccin
, el horizonte de control
y en algunos casos, diversos

horizontes utilizados para restricciones particulares. Adicionalmente, se deben sintonizar
los vectores , y que ponderan los diversos trminos en el FC. La seleccin de estos
parmetros tiene un profundo efecto sobre la estabilidad nominal y la robustez del CPBM.
Idealmente, se debera conocer previamente el intervalo de variacin de estos parmetros
de modo que garanticen la estabilidad y la robustez nominal del proceso controlado. Esto
implica la necesidad de ajustar los parmetros de operacin de acuerdo con objetivos de
control para el proceso. La posibilidad de manejar tales parmetros de sintona del
CPNBM como nmeros borrosos se explora en [lvarez, 2000]
2.2.5 Restri cci ones
.
Una contribucin clave en el xito del CPBM es la posibilidad de incorporar restricciones
del proceso directamente en la optimizacin que se realiza en cada instante de muestreo.
Esto implica que el CPBM tiene la posibilidad, difcil de hallar en otras tcnicas, de
estabilizar globalmente sistemas lineales y no lineales sujetos a restricciones de estado,
salida o en la variable de control. Esto es indudablemente una caracterstica muy
importante puesto que muchos problemas prcticos de control estn dominados por

restricciones. Tpicamente las restricciones estn pensadas para evitar condiciones
anormales o peligrosas dentro de la operacin del proceso, lo que incluye tambin todos
los elementos fsicos que forman el montaje. Una manera alterna de manejar las
restricciones consiste en incluirlas en el FC, ponderadas respecto a los otros factores de
desempeo del proceso controlado. Esto permite la aplicacin de mtodos de
optimizacin particulares. Sin embargo, la forma tradicional de manejo de restricciones
como un grupo de condiciones extra durante la optimizacin, resulta ms adecuada para
algunos mtodos numricos de optimizacin.
2.2.6 Aspectos Computaci onales de la Optimizaci n
La optimizacin es la parte del algoritmo de CPNBM con mayor carga computacional,
particularmente cuando se trabaja con modelos no lineales o las restricciones convierten
el problema en una optimizacin no lineal. Esta tesis no pretende profundizar en este
tema, para mayor informacin se recomienda al lector revisar [Van den Boom and De
Schutter, 2004]. Los mtodos de optimizacin se pueden clasificar en

dos grandes
grupos:

Mtodos cerrados o convexos: Suministran una solucin matemtica explcita para
hallar la poltica de control ptima. Normalmente obligan a una reduccin drstica
(linealizacin) en la formulacin del problema real, lo que implica una prdida de
informacin valiosa sobre la dinmica del sistema.
Mtodos numricos o no convexos: Realizan una solucin numrica para hallar la
poltica de control ptima [Mishra, 2011]. Se pueden distinguir tres sub-grupos: i) Los
enumerativos directos, que resultan poco eficientes a nivel computacional cuando el
modelo del proceso no es lo suficientemente compacto, pero que con modelos que se
puedan evaluar a buena velocidad, siempre producen soluciones factibles y bastante
cercanas al ptimo global; ii) La programacin dinmica clsica y todas sus variantes:
programacin dinmica iterativa [Luus, 1996], programacin dinmica borrosa [Alkan,
1994], y programacin dinmica aproximada [Werbos, 1995]. Garantizan siempre una
solucin ptima, pero su desventaja radica en el alto tiempo de cmputo; y iii) Mtodos
heursticos como los algoritmos genticos, el Quimiotactismo Bacteriano (QB) y el
temple simulado, que aunque brindan soluciones factibles muy cercanas al ptimo
global, consumen mucho tiempo de cmputo [Bremermann and Anderson, 1990],
[Holland, 1992].

En este trabajo se emplea el mtodo de optimizacin enumerativa directa. En [lvarez y
Garca, 2005] se exploran tres diferentes tcnicas para la generacin de polticas de
control utilizadas cuando se emplea en el mtodo de optimizacin enumerativa directa,
ellas son: Aleatoria, escalonada y Optimizacin por Enumeracin Restringida (OER). La
generacin de polticas aleatorias no involucra conocimiento alguno del proceso, slo se
limita a dar valores al azar, el desempeo del CPBM no es el mejor frente a otras tcnicas
de generacin de polticas. La generacin de polticas escalonadas de igual forma, se
basa en escalones aleatorios, pero tiene en cuenta la accin de control aplicada en el
instante , el signo del error entre la salida y la seal de referencia o punto de operacin
deseado. Cabe resaltar que la generacin de polticas escalonadas no requiere
conocimiento previo del proceso por lo que se puede considerar un procedimiento
sencillo, adems se considera una tcnica ms acertada en la generacin de acciones de
control que la generacin aleatoria, debido a que esta ampla el espacio de generacin de
acciones de control.

Finalmente, el mtodo de OER se describe en [lvarez, 2000] con los
siguientes pasos:
Trazar una grilla de discretizacin fija u y de amplitud restringida
,
cuyo centro es la accin de control aplicada en el paso anterior, de modo que cada
posible accin de control se calcula como:

() = ( 1)
= , +1, ,0, , 1,
Con =
1
2

(2.6)

Eliminar de esta grilla las acciones de control no factibles (que superan los lmites de
operacin normales del elemento final de control). Esto garantiza el cumplimiento de la
restriccin
()
.

Probar en el problema de CPBM planteado una a una las acciones de control de la
grilla factible y seleccionar la que produzca el mejor Funcional de Costo (FC). Ese es
el valor de la accin de control que resulta solucin del problema de optimizacin, que
no necesariamente ser un mnimo global pero que resultara factible.
Como se observa, el mtodo de OER tiene dos parmetros de sintona que permiten una
operacin eficiente: la discretizacin y la amplitud restringida
max

min
del
espacio de bsqueda. Ambos dependen del tiempo disponible para la optimizacin y la

sensibilidad del proceso y del elemento final de control. Como desventaja principal del
mtodo OER debe mencionarse su alta dependencia de la dinmica del proceso y su
poca aplicabilidad cuando se tienen limitaciones en el tiempo de clculo, pero en
comparacin con los mtodos escalonado y aleatorio, OER permite una eleccin
organizada y acertada de la mejor accin de control en cada instante de muestreo. En
comparacin con los mtodos heursticos de optimizacin, OER es una tcnica viable en
el sentido de tiempo de cmputo para aplicar en CPNBM de procesos qumicos. La
formulacin original de mtodo OER [lvarez, 2000] solo genera un escaln adelante, es
decir un solo paso (
= 1). En [lvarez y Garca, 2005] se prueba esta tcnica con ms

de un paso y se concluye que la razn por la cual slo se aplica OER con un solo paso,
es la exagerada carga computacional asociada al mtodo de optimizacin, sin mejora
considerable en la optimizacin. La tcnica OER debe encontrar en cada tiempo de
muestreo la solucin del modelo
R

veces y comparar
R

funcionales de costo.
Siendo:
el nmero de polticas y
en horizonte de prediccin. El lector puede

apreciar cuanto se abrira el rbol de bsqueda, conforme el horizonte de control
aumenta. Por tal motivo, para el presente trabajo se emplea el mtodo de generacin de
polticas de control por OER de un paso. Para una discusin ms detallada del mtodo de
optimizacin se siguiere al lector revisar
2.3 Esquemas de CPNBM que garantizan estabilidad
[Isaza y lvarez, 2011b].
Existen condiciones suficientes que garantizan estabilidad y robustez para el Control
Predictivo Basado en Modelo Lineal (CPBM). Por su parte, para Control Predictivo No
Lineal Basado en Modelo (CPNBM) la mayora de teoremas existentes presentan
condiciones tan restrictivas a la hora de la aplicacin en procesos industriales, que se
opta por pruebas de estabilidad a travs de aproximaciones heursticas basadas en la
extrapolacin de los resultados para sistemas lineales, la simulacin numrica y la
experimentacin [Snchez and Rodellar, 1996], [Surez, 1998]. Afortunadamente, el
desarrollo terico contina brindando aportes a la estabilidad de los esquemas de
CPNBM. En esta seccin se presenta una parte de la revisin del estado del arte del
tema. Para un panorama completo se sugiere al lector consultar [Ramrez, 2011], donde
se presentan los esquemas de CPNBM que tienen estabilidad garantizada, cuyo
denominador comn es el uso de la teora de Lyapunov. Las diferencias presentes entre
estos esquemas corresponden principalmente a variaciones en el funcional de costo, tales

como agregar un costo terminal o agregar una restriccin del estado terminal. En la Figura
2-2 se propone un esquema de clasificacin de las estrategias del CPNBM que garantizan
estabilidad. Dentro de las estructuras de CPNBM que garantizan estabilidad se pueden
distinguir cuatro grupos:

CPNBM con horizonte infinito, es u

na forma intuitiva de garantizar estabilidad.
Generalmente resulta en un problema de optimizacin dimensionalmente infinito
[Chen and llgwer, 1998] y no presenta una aplicacin prctica.
Figura 2-2:

Esquemas de CPNBM que garantizan estabilidad.

CPNBM con restriccin terminal, con dicha restriccin de dos tipos: igualdad o
desigualdad. Aplicando la restriccin terminal de igualdad es necesario realizar una
minimizacin exacta, lo cual en el caso no lineal implica un nmero infinito de
iteraciones en la optimizacin, que representa un costo computacional muy alto,
hacindolo poco atractivo, adems, los problemas de factibilidad de esta tcnica
llevan a regiones de operaciones muy restringidas. Por esto, solo es til e
implementable en casos lineales. Desde un punto de vista computacional, ninguna
restriccin terminal de igualdad [Mayne y Michalska, 1990] puede satisfacerse en un
nmero finito de pasos cuando se aplica CPNBM. En este caso, la satisfaccin
aproximada de la restriccin terminal implica que la estabilidad, lograda con la
restriccin, se pierde dentro de una regin alrededor del origen. Por esta razn se
propone el CPNBM con restriccin terminal de desigualdad, en este tipo de CPNBM
se encuentran: CPBM por modo dual.

CPNBM con Restricciones de Contraccin, se garantiza estabilidad por medio de una
restriccin estabilizante, que puede realizarse sobre los estados o sobre una funcin
de Lyapunov de los estados. La implementacin de un CPBM que pueda ser viable
bajo esta restriccin implica una condicin nueva para el modelo (u observador de
estado), de modo que se pueda garantizar estabilidad del proceso. En este caso el
modelo debe generar predicciones de la salida con error acotado o en el cado de los
estimadores de estado, el error debe decaer exponencialmente a cero con el tiempo.
La principal ventaja de esta propiedad es que garantiza estabilidad exponencial del
lazo cerrado. La condiciones necesarias para garantizar este tipo de estabilidad se
presentan y demuestran en [de Oliveira, 1996]. Aunque las condiciones estipuladas en
algunos teoremas no son demasiado restrictivas, la principal desventaja del CPNBM
con restricciones de contraccin es que en cada periodo de muestreo se debe
garantizar la factibilidad del problema de optimizacin con la restriccin de contraccin
adicional. Adems, el desempeo del controlador se ve afectado directamente por el
factor de contraccin.
CPNBM por modo dual, esta estrategia fue propuesta en Michalska and Mayne (1993)
para sistemas no lineales en tiempo continuo y sujeto a restricciones. En este tipo de
CPBM tiene una restriccin terminal de desigualdad asociada con la llamada regin
terminal (). Fuera de esta regin acta el CPNBM tradicional, pero al ingresar a la
regin terminal, se conmuta a un controlador local () = , de all el nombre de
CPNBM por modo dual. Las bondades de esta formulacin son tan notables, que
marc las futuras lneas de investigacin en estabilidad. En Chisci, et al. (1996) se
extiende el CPNBM por modo dual a sistemas discretos no lineales usando un
horizonte de prediccin fijo, al igual que en Scokaert, et al. (1999) donde se estudia la
factibilidad como condicin suficiente para garantizar estabilidad, en lugar de la
optimalidad. En [lvarez, 2000] se presenta una formulacin de un CPNBM
contractivo usando un Sistema de Inferencia Borrosa entrada-salida con
realimentacin PI de salida, donde el controlador lineal opera en una vecindad del
punto de equilibrio. En este trabajo, la ley de realimentacin lineal PI de salida est
integrada en el funcional de costo como un trmino adicional, que permite el manejo
unificado de la accin de control, sin realizar una conmutacin directa entre los dos
controladores. La novedad frente al funcional de costo original es un trmino que
penaliza la diferencia entre la accin de control que aplicara un controlador PI y la que

se est evaluando para el CPNBM. Esta funcionalidad est en trminos de un
parmetro, que es un factor de pertenencia borrosa del mximo error absoluto entre la
salida de referencia
y la salida del proceso. Gutirrez (2007) formula un CPNBM

dual, all se usa una regin terminal que se determina mediante un proceso de ensayo
y error, mientras que en [Ramrez, 2011] se propone una metodologa para el clculo
de la regin terminal aplicables a procesos continuos no lineales. Vale la pena resaltar
que estos autores usan un PI operando dentro de la regin terminal, aspecto
diferenciador con respecto a otros autores [Sznaier and Damborg, 1987], [Limn,
2002] que usan un LQR como controlador local. Con los buenos resultados
presentados por Ramrez, en el presente trabajo se aplica su metodolgica para
garantizar la estabilidad del CPNBM.

Para garantizar la estabilidad del proceso controlado, no basta solo con garantizar la
estabilidad de la estrategia de control (en este caso CPNBM por modo dual), es necesario
adems, garantizar la convergencia del modelo (en este caso SIB T-S con CBMD). En el
Captulo 4 se discute sobre la convergencia del modelo.

3. Problema de Referencia: ajuste y
neutralizacin de pH
En este captulo se plantea el control del proceso de ajuste de pH como Problema de
Referencia para el modelado y control avanzado de procesos, basado en datos de planta
obtenidos del proceso de alcalinizacin de jugo de caa del Ingenio La Unin,
Guatemala. Se analizan las condiciones ms comunes de este tipo de procesos a nivel
industrial haciendo nfasis en el problema en un ingenio azucarero, de modo que se
logra una propuesta de modelo matemtico que reproduce de manera fiel el sistema real
y brinda un buen banco de trabajo para la prueba de las estrategias de control
propuestas en este trabajo. Se presentan las dos grandes familias de modelos de pH:
balance de ion
+
y balances de invariantes de reaccin. La aproximacin por
invariantes de reaccin se examina en detalle por ser la ms promisoria. Se discuten las
dificultades de la aproximacin por invariantes de reaccin, dificultades que han
restringido su uso industrial. Brevemente se describen unos pasos para la inicializacin
de los modelos por invariantes de reaccin como posible solucin a las dificultades
mencionadas. Finalmente se modela y valida con datos de planta el proceso para el
ajuste de pH en la etapa de alcalinizacin de jugo de caa del ingenio azucarero,
comprobando la validez del modelo y la representatividad del Problema de Referencia
(PdeR) con relacin al problema real industrial [lvarez, 2000

], [lvarez, Lamanna, Vega
y Revollar, 2009].
El control de pH de una corriente de sustancia es crtico en gran variedad de procesos.
Los procesos de ajuste y neutralizacin del pH son extremadamente difciles de controlar
debido a que exhiben un comportamiento fuertemente no lineal. En tal sentido, se deben
aplicar tcnicas avanzadas de control, las que generalmente requieren de un modelo que
represente fielmente esas no linealidades. Es en este punto que surgen las dificultades,
puesto que tales modelos no son fciles de ajustar a las condiciones operativas normales

de una industria. La mayora de las veces, tales modelos se han presentado en la
literatura con ajustes muy buenos cuando se trabajaba en condiciones de laboratorio
(concentracin conocida de todas las soluciones), pero a escala industrial, no se conocen
reportes precisos del uso de modelos de pH.

Para iniciar el modelado de un proceso es necesario conocer en detalle cada uno de los
aspectos que lo componen. Para el caso tratado en este trabajo, en la Seccin 3.1 se
define el Potencial de Hidrgeno (pH) y la importancia de su control en procesos
industriales. Se hace nfasis en el problema de control de pH en la industria azucarera.
En la Seccin 3.2 se presenta rpidamente la importancia de los modelos en ingeniera y
se describen los modelos empleados para el control de pH: balance de ion H
+
y balances
de invariantes de reaccin, enfatizando en el ltimo por ser el ms promisorio.
Posteriormente en la Seccin
3.1 Potencial de Hidrgeno (pH) en la industria
3.4, se modela el proceso de alcalinizacin de jugo de caa
por medio de la teora de invariantes de reaccin. Finalmente, se valida el modelo con
datos de planta obtenidos del proceso de alcalinizacin de jugo de caa del Ingenio La
Unin, Guatemala.

El pH es una medida conveniente de la acidez/alcalinidad de una solucin acuosa a una
temperatura especfica. El pH se mide en una escala continua de 0 a 14 y es una medida
de la actividad del in hidronio
+ en solucin. La actividad de una especie es una

medida de su concentracin efectiva, es decir es la concentracin actual o total de una
especie en una solucin [Smith y Van Ness, 2008]. Por razones prcticas el pH a nivel de
laboratorio e industria se calcula siempre en funcin de la concentracin [Prichard, 2003],
como se presenta en la Ecuacin 3.1.
=
10
1
+
=
10
+ = [
+
]

(3.1)

Los sistemas de pH han sido reconocidos como uno de los problemas ms difciles en el
rea de control de procesos, debido a las siguientes dificultades para su modelado y
control:
Captulo 3. Problema de Referencia: ajuste y neutralizacin de pH 23

a.
b.
A nivel de laboratorio es posible conocer de forma precisa todas las sustancias
qumicas que reaccionan en el proceso (una solucin con concentracin fija y
conocida a priori) y sus concentraciones. Esto generalmente no es factible a nivel
industrial.
c.
La implantacin del control de pH no es trivial, debido a la caracterstica particular
de habilidad de intervalo (rangeability) que exigen estos procesos al Elemento
Final de Control (EFC) [Creus, 2005]. El EFC debe garantizar un flujo preciso de
base o cido, para ajustar el pH del proceso, tanto en dosificaciones muy
pequeas o muy grandes. Los fabricantes actuales no garantizan precisin para
rangos de dosificacin en el caso de bombeo o apertura en el caso de vlvulas de
control en escalas grandes de medicin. Una solucin a este problema es posible
con la conmutacin de dos o ms EFC con diferentes rangos de trabajo, lo cual
representa un costo significativo.
La respuesta del pH a la adicin de reactivos (variable manipulada) no es lineal.
La respuesta a la adicin de la misma cantidad de base o
d.
cido es diferente
dependiendo del valor actual del pH.
e.
La relacin logartmica ( = Log[H
+
]) hace al proceso muy sensible a
pequeos cambios en la vecindad del punto de neutralizacin. Esto se evidencia
en una pendiente casi infinita en los cambios del alrededor de = 7.
f.
El tiempo muerto del proceso cambia, dependiendo de la variacin en el
volumen, el flujo de entrada y la velocidad del mezclado.
La caracterstica amortiguadora (efecto b
g.
uffer) es variable, puesto que cuando la
ganancia es pequea (alto contenido de cido o base dbil), la respuesta del pH
en lazo cerrado puede ser lenta, contrario a lo que pasa para efecto buffer bajo.

Para que el modelo validado represente fielmente el proceso real, no es suficiente
conocer solo los flujos de entrada, es necesario adems, registrar el pH de dichos
flujos. Pequeas variaciones en el pH de las corrientes de entrada afectan
drsticamente la prediccin del modelo.
En Rodrguez y Gonzlez (2003), se plantean otros problemas en el modelado para el
control de pH, como: i) La caracterstica no lineal se debe a un estado interno
representado por la concentracin de iones de hidrgeno [H
+
], los cuales no pueden ser
directamente medidos, ii) mediante balances de iones es difcil derivar e identificar un
modelo matemtico adecuado para el proceso de pH, porque pequeas cantidades de

elemento extraos con capacidad de amortiguacin (buffer) cambian la dinmica del
proceso.

A escala industrial, los procesos que con ms frecuencia enfrentan el problema de
control de pH son aquellos que obedecen a reacciones qumicas con alguna clase de
control inico [Perry,1984] [Shinskey, 1996]. Ejemplos de procesos industriales que
deben enfrentar el control de pH son: eliminacin de materias no deseadas de una
sustancia, recuperacin de materias valiosas en substratos de bajo tenor, neutralizacin
de desechos lquidos industriales antes del vertimiento, condiciones de crecimiento de
substratos biolgicos y adicin de algn material a una sustancia dada. Ejemplo de este
ltimo caso es la etapa de clarificacin de jugo en ingenios azucareros. El control de
clarificacin del jugo de caa implica principalmente el control de pH del jugo, que se ve
afectado por el flujo del jugo, el flujo de la lechada de

cal y la temperatura del jugo. El tipo
bsico de control utilizado en clarificacin es el control de pH, con la asistencia de otros
lazos para suavizar el flujo de jugo y control de la temperatura del calentador. La etapa
de clarificacin de jugo de caa para la produccin de azcar blanca y/o refinada,
contempla principalmente tres subetapas: la sulfitacin, la alcalinizacin y la clarificacin.
La Figura 3-1 representa un esquema general de la etapa de tratamiento de jugo de caa
para la produccin de azcar blanca.
Figura 3-1: Esquema general de la etapa de tratamiento de jugo de caa para la
produccin de azcar blanca en un ingenio azucarero.


La sulfitacin es el primer paso en el proceso de clarificacin. Su objetivo es adicionar
2
al jugo de caa crudo en contracorriente, por medio de una torre de sulfitacin para:
reducir compuestos colorantes, inhibir el desarrollo de color por parte de azucares
reductores y aminocidos, evitar el desarrollo de microorganismos y proporcionar iones
3
2
necesarios en la etapa de alcalinizacin. Ese tratamiento reduce
considerablemente el pH. Para evitar prdidas de sacarosa es ideal mantener el pH
bsico alrededor de 7 u 8, lo cual se logra con la alcalinizacin del jugo previamente
sulfitado. En la etapa de alcalinizacin, se busca compensar y ajustar el pH del jugo
sulfitado a un valor promedio de 7.4, por medio de la dosificacin de cal disuelta en agua
con una concentracin entre 7 y 10 Baum. Es en este punto donde el control de pH es
crtico puesto que desviaciones en el pH deseado se reflejan en prdidas de sacarosa y
deterioro de las caractersticas del azcar, es decir, no se logra eficiencia en el proceso
de extraccin de sacarosa. El objetivo global de toda la etapa de clarificacin es obtener
jugo claro, es decir, reducir la turbidez del jugo a partir de la extraccin de cachaza
(aglomeracin de: slidos suspendidos, fibra de caa, cal sin disolver, floculante, entre
otros). La turbidez es finalmente controlada en los clarificadores de jugo de caa. Los
clarificadores operan en lazo abierto pero como se mencion

anteriormente, requieren
trabajar con valores constantes de pH, flujo y temperatura de jugo.
3.2 Modelo para el proceso de control de pH
En esta investigacin se abstrae como Sistema de Proceso (SdeP) solo la etapa de
alcalinizacin de jugo de caa, pero se incluyen caractersticas de toda la etapa de
clarificacin para lograr el objetivo propuesto: emplear un problema que refleje la realidad
en un proceso industrial. Los datos de planta, especificaciones de los equipos y
particularidades del proceso se obtienen de la estancia investigativa realizada en el
ingenio La Unin, Guatemala.
Los Modelos son comnmente empleados en ingeniera para determinar condiciones
ptimas de diseo de una etapa o proceso, delimitar la regin de operacin ptima de un
sistema, disear sistemas de monitoreo, automatizacin, control y diagnstico de fallas
en un sistema y caracterizar y extraer conocimiento sobre el comportamiento de un
proceso. En esta

tesis son de inters los modelos matemticos.

Para obtener modelos matemticos existen dos tipos de modelado reconocidos: el
modelado fenomenolgico y la identificacin. El modelado fenomenolgico es aquel que
utiliza exclusivamente conocimiento formalizado, o de primeros principios, para describir
la naturaleza y el comportamiento subyacentes del sistema de inters. A travs de este
conocimiento se pueden establecer las ecuaciones algebraicas o diferenciales (estructura
y parmetros estructurales) y los parmetros funcionales del modelo que representan al
sistema. Rtulos empleados para referirse a los modelos obtenidos a travs del
modelado fenomenolgico son modelos fsicos o modelos caja blanca. En gran cantidad
de sistemas reales no se posee el conocimiento suficiente para construir un modelo caja
blanca; por ello es necesario recurrir a la experiencia e intuicin de un experto para elegir
un tipo de estructura o formulacin matemtica general, que resulte adecuada para el
sistema, y a los datos para estimar el valor de los parmetros estructurales y funcionales
del mismo. A este ltimo

proceso de modelado se le conoce como identificacin y se
tratar en el Captulo 4, para la Identificacin de Sistemas de Inferencia Borrosa (SIB).
Los datos de los que se habla en la identificacin pueden ser obtenidos a travs de una
preparacin adecuada de experimentos sobre el sistema, o mediante la recoleccin de
los mismos bajo las diferentes condiciones reales de operacin, o a travs de un registro
histrico de datos de sistemas semejantes.
De acuerdo con el nivel de conocimiento explcito ofrecido por el modelo respecto de la
naturaleza y comportamiento del sistema, se habla de modelos semifsicos y de modelos
empricos. Los modelos empricos tambin conocidos como modelos caja negra, no
evidencian algn conocimiento sobre la esencia y conducta subyacentes del sistema. En
los modelos caja negra tanto los parmetros estructurales como los funcionales se crean
exclusivamente con base en los datos entrada salida del sistema. Los modelos
semifsicos son un estado intermedio entre los modelos fsicos y los empricos.

Los modelos semifsicos, denominados tambin modelos caja gris, tratan de reflejar el
conocimiento disponible sobre la naturaleza y comportamiento del sistema, aunque ello
no sea suficiente para estimar los parmetros estructurales ni funcionales del modelo; en
ese evento se recurre a los datos entrada-salida disponibles del sistema, como se
presenta seguidamente en este captulo. A este tipo de modelos los trataremos en
adelante como Modelos Semifsicos de Base Fenomenolgica. En [lvarez et al., 2009]
plantean una metodologa para obtener Modelos Semifsicos de Base Fenomenolgica

(MSBF) de procesos qumicos. Dichos modelos representan procesos a partir de
conocimientos y principios bsicos: balances de materia, energa y cantidad de
movimientos, as como el principio de gradiente para obtener ecuaciones constitutivas.
La metodologa propone las siguientes actividades para obtener el MSBF:

1.
2.
Elaborar una descripcin verbal y un diagrama de flujo de proceso que se
complementen.
3.
Fijar un nivel de detalle para el modelo, de acuerdo con su utilizacin: Qu
preguntas contestar el modelo?
4.
Definir tantos Sistemas de Proceso (SdeP) sobre el proceso que se modelar
como los exija el nivel de detalle y representar la relacin de todos los SdeP en un
diagrama de bloques.
5.
Aplicar el principio de conservacin sobre cada uno de los SdeP.
6.
Seleccionar de la Ecuaciones Dinmicas de Balance (EDB) aquellas con
informacin valiosa para cumplir con el objetivo del modelo.
7.
Definir para las EDB esenciales, los parmetros, las variables y las constantes
conocidas en cada SdeP.
8.
Hallar las ecuaciones constitutivas que permitan calcular el mayor nmero de
parmetros en cada SdeP.
9.
Verificar los grados de libertas de modelo.
10.
Obtener el modelo computacional o solucin del modelo matemtico.

Validar el modelo para diferentes condiciones y evaluar su desempeo.
En adelante se emplear la metodologa de [lvarez et al, 2009] para identificar MSBF.
La estructura de los modelos empleados para el control de pH, se pueden clasificar en
dos grandes familias: por balance directo del in
+
[Astrom and Wittenmark, 1989] y por
balance de invariantes de reaccin [Gustaffson and Waller, 1983]. Los modelos por
balance directo del in
+
involucran especies qumicas que cambian continuamente a
medida que avanza la reaccin, lo que dificulta la identificacin de parmetros para esos
modelos, incluso a nivel de laboratorio, cuando existen efectos amortiguadores (buffer)
producidos por cidos o bases dbiles. En cambio, los modelos de pH por balances de
invariantes de reaccin, balancean especies que no varan durante la reaccin qumica
(los invariantes), lo cual hace mucho ms fcil su identificacin en presencia de efecto
buffer.

Es posible por cualquiera de las dos aproximaciones al modelado, hallar modelos lineales
aprovechando las regiones en las que el pH no cambia drsticamente. Sin embargo, la
aproximacin no lineal es la ms adecuada, existiendo una aproximacin intermedia:
modelos lineales a tramos. Es evidente que la aproximacin al modelado ms
prometedora es la de invariantes de reaccin no lineal [lvarez et al., 2009].

Los invariantes de reaccin son cantidades que toman los mismos valores antes, durante
y despus de una reaccin qumica. El concepto de Invariantes de reaccin definido por
Aris (1965), es el resultado de una transformacin natural de las variables de estado de
un sistema qumico. Las variables de estado (en este caso las concentraciones de
especies) son transformadas en un grupo de variables que dependen de las reacciones
qumicas (variantes de la reaccin) y en otro grupo, las que son independientes de las
reacciones (invariantes de reaccin). Los invariantes de reaccin tienen su origen en las
leyes bsicas como la carga atmica y la conservacin de la energa. Este mtodo fue
generalizado por Waller y Makila (1980) as como Gustafsson y Waller (1983), para
sistemas con cualquier nmero de cidos y bases.

Los invariantes de reaccin para un sistema cido-base estn definidos como:
que
hace referencia al balance de carga electrnica en la corriente , y
que corresponde
al balance de anin o catin ltimo de la sustancia fundamental del sistema. El balance
de carga de la corriente (
) es independiente de la reaccin qumica, lo mismo que la

concentracin analtica o total del anin o catin caracterstico. De all viene el concepto
de invariantes.

La definicin de invariantes de reaccin aplica para cualquier sistema con reaccin
qumica. En [lvarez et al., 2001], se demostr que si se utiliza el sistema de equilibrio
qumico del cido carbnico, se tiene un buen cubrimiento de valores de pH y mezclas de
cidos-bases. Para el sistema carbnico, los dos invariantes se formulan como:
= [
+
]
[
3
2 [
3
= [
2
3
]
+[
3
+ [
3

(3.2)

(3.3)
El sistema carbnico est formado por
2
3
y bicarbonato de sodio. Las reacciones que
presenta el cido son:

3
+
2

3
+
3
+
2

3
2
+
3
+

(3.4) 2
2

+
3
1
=
[
3
] [
3
+
]
[
2
3
]
= 4.16 10
7

2
=
[
3
2
][
3
+
]
[
3
]
= 5.62 10
11

= [
][
3
+
] = 1 10
14

Los variantes en este caso seran las concentraciones de las especies [
], [
3
],
[
3
2
], [
2
3
] y [
3
+
], las cuales varan con la reaccin. Los valores de los variantes
se pueden hallar a partir de las expresiones de las constantes de equilibrio propias de
este sistema. En Ayres (1970), se definen las constantes de disociacin para el sistema
carbnico como:

(3.5)
Para las dems corrientes se plantean del mismo modo sus invariantes. Del
planteamiento anterior se hace evidente que para poder llevar a cabo el modelado de un
sistema al cual se le va a controlar pH, se debe conocer de forma precisa la composicin
qumica de cada corriente. Esto es sencillo a nivel de laboratorio ya que cada corriente
involucrada se prepara conociendo de antemano su composicin y concentracin. En la
industria, conocer esto es la parte que representa mayor dificultad a la hora del modelado
del pH. Una propiedad interesante de los invariantes de reaccin, es que pueden usarse
directamente como cantidades promediables, cuando se mezclan dos o ms soluciones
de diferente concentracin y especies qumicas, para calcular el pH de mezclas. Esto
posibilita el planteamiento de un problema en el que se desconoce la naturaleza y
composicin de la corriente de entrada, como uno en el que concurren varios cidos o
bases hipotticas en una proporcin dada [Gustafsson, 1982]. Este hecho es una de las
motivaciones ms fuertes para utilizar el modelado del pH por invariantes de reaccin en
este trabajo. El procedimiento se presenta paso a paso en el siguiente apartado para el
proceso de alcalinizacin de jugo en el Ingenio La Unin, Guatemala.

3.3 Modelado del proceso de alcalinizacin de jugo de
caa para el control de pH en un Ingenio azucarero

Aplicando la metodologa propuesta en [lvarez, Lamanna, Vega y Revollar, 2009], en
esta seccin se muestra el Modelado Semifsico de Base Fenomenolgica (MSBF) por
invariantes de reaccin de la etapa de alcalinizacin de jugo de caa para el control de
pH en un ingenio azucarero. La Figura 3-2 muestra el proceso. Para el caso prctico se
tomaron los datos del Ingenio La Unin S.A, Guatemala.

Para el modelado del proceso, se toma como volumen V del proceso el volumen donde
ocurre la reaccin (ver Figura 3-2). Este ser el Sistema de Proceso (SdeP) a tomar para
el modelado. Adicionalmente, se considerar que el J ugo Sultado est formado por tres
corrientes: una de jugo neutro, una de cido ntrico (
3
) y otra de bicarbonato de
sodio (
3
). Esta conguracin se denomina Sistema Carb nico, que como se
demostr en [lvarez and Londoo, 1999], exhibe una amplia capacidad de
representacin de sistemas qumicos con mezclas de cidos y sales cidas.
Figura 3-2:

Alcalinizado del jugo de caa para el control de pH.

Se asume que existe un recipiente hipottico de mezcla en el cual se forma el jugo
sulfitado. Dicho recipiente se asume de volumen V
0
despreciable. Adems, las

caractersticas de cada corriente de entrada no son de inters, slo resulta importante las
caractersticas del jugo sulfitado que se forma, puesto que es el que luego ingresa al
proceso a modelar: la alcalinizacin. Para el modelado del proceso se hacen las
siguientes suposiciones:

a.

El jugo de caa contiene un cido fuerte:
3
que aporta la parte principal de
los iones
+
y una sal de un cido dbil:
3
que aporta el anin ltimo
. Este sistema se denomina en adelante Sistema Carbnico.

b.

Las dos constantes de disociacin
1
y
2
del sistema se tomarn inicialmente
iguales a las del cido carbnico. De ser necesario, se podr ajustar una de ellas
para que el modelo represente ms elmente el comportamiento real del jugo de
caa.
c. Todas las reacciones qumicas se modelarn con base en la aproximacin por
invariantes de reaccin. Tal aproximacin define dos invariantes para seguir la
reaccin:
= [
+
]
[
3
2 [
3

i)
carga electrnica de la solucin (balancea las especies con carga en la

corriente ):
(3.6)
= [
2
3
]
+[
3
+ [
3

ii)
concentracin de anin ltimo, en caso de

3
en la corriente :

(3.7)
d.
(,
1
,
2
) +()
Para cualquier corriente en la que se conozca su y el valor de
, es posible
calcular
con:
(3.8)
(,
1
,
2
) =
1 + 2 10
(
2
)
1 + 10
(
1
)
+ 10
(
2
)

en la que:
() = 10
10
(14)

(3.9)
(3.10)
1
= (
1
)
siendo,

(3.11)

Los invariantes de reaccin a considerar en cada corriente tendrn la siguiente forma y
valor para las corrientes de la Figura 3-2. Se ordenan siguiendo el lineamiento que
permite calcular
contando con
.

1
= [
2
]
1
+[
]
1
+[
]
1

=
1
+
1

Para la corriente 1 o jugo sultado:
1
se debe identificar desde datos experimentales,
para luego poder calcular
1
contando con el que es un dato:

1
= [
+
]
1
[
]
1
[
]
1
2 [
]
1

1
=
1
(
1
,
1
,
2
) +(
1
)
(3.12)

(3.13)

Para la corriente 2 o lechada de cal: Solucin 9Baum de ()
2
en agua, formada a
partir de cal para ingenios con 90% en peso de ()
2
:

2
= [
2
]
2
+[
]
2
+[
]
2

=
2
+
2
= 0 +0

2
= 0

(3.14)

2
= [
+
]
2
[
]
2
[
]
2
2 [
]
2

2
= 0 (
2
,
1
,
2
) +(
2
)
2
= 10
10
(14)

(3.15)
2
se calcula en funcin del pH de la lechada, constante si se garantiza pH de lechada
de cal controlado. En procesos industriales esto no es trivial, entonces depender en
todo instante del pH de cal medido.

3
= [
2
]
3
+ [
]
3
+[
]
3

=
3
+
3

Para la Corriente 3 o jugo alcalinizado (corriente de inters para la medicin de ):

(3.16)
Para conocer
3
se toman datos del pH real del jugo alcalinizado y se tantea el valor
inicial de
3
(0), o se procede, como se muestra en la Ecuacin (3.23), con los

balances de
en todo el sistema. Conociendo este valor se calcula el primer invariante

(
3
) segn:

3
= [
+
]
3
[
]
3
[
]
3
2 [
]
3

3
=
3
(
3
,
1
,
2
) +(
3
)

(3.17)

Las ecuaciones del modelo a partir de balances en el Sistema de Proceso (SdeP) para
cada uno de los dos invariantes de reaccin tomados y considerando los nmeros de las
corrientes indicados en la Figura 3-2, son:
=
1

1
+
2

2

3

3

=
1

1
+
2

2

3

3

(3.18)

Pero como por conservacin de la masa en el SdeP, se cumple que:
3
=
1
+
2
, se
tiene:
=

1
(
1

3
) +
(
2

3
)

(3.19)

Ahora expresamos el modelo de forma matricial en trminos de variables de control:
=
2
y en variables de estado, siendo
1
=
3
y
2
=
3
:
2
=
(
1

3
)
(
1

3
)
+
(
2

3
)
(
2

3
)

(3.20)

La ecuacin de salida del modelo, que da el de manera implcita, es:
0 = [
+
]
4
+(
1

1
) [
+
]
3
+ (
1

1
+
2

1
+

1

2
)
[
+
]
2
+(
1

1

2
+ 2
2

1

2
+
1

)[
+
]
+
1

2

(3.21)
Donde,
es la constante de disociacin del agua.

1
y
2
son las constantes de
disociacin del sistema carbnico. Puesto que se requiere el valor inicial del segundo

invariante en la corriente de salida (jugo alcalinizado), se puede recurrir al balance del
segundo invariante de la Ecuacin (3.18), considerando que su valor en la corriente de
lechada es cero, con lo cual se llega a:

=
1

1

3

3
(3.22)

que en estado estacionario
= 0, permite la siguiente relacin entre los segundos

invariantes de las corrientes de jugo:
1

1
=
3

3

3
=

1
3

1

(3.23)

y la ecuacin para el segundo invariante en la corriente de jugo de salida ser:
3
= [
2
]
3
+ [
]
3
+ [
]
3

3
=

1
3

1

(3.24)

con lo cual el primer invariante se calcula como:
3
=

1
3

1
(
3
,
1
,
2
) +(
3
)

(3.25)
3.4 Validacin del modelo del proceso de alcalinizacin
de jugo de caa para el control de pH en un Ingenio
azucarero
Estos dos invariantes
3
y
3
, corresponden a los estados dinmicos del proceso, de
los cuales se calcula el de salida del proceso empleando la Ecuacin (3.21).
Con el fin de diagnosticar, tomar datos y realizar experimentos en condiciones normales
de operacin del proceso de alcalinizacin de jugo de caa, se realiz una estancia
investigativa en el Ingenio La Unin S.A, Guatemala durante el mes de marzo de 2011.
Con informacin recolectada se ajustaron los parmetros y se valid el modelo obtenido
en la Seccin 3.3. Finalmente se obtuvo un modelo que representa de forma adecuada el

proceso real. Los valores de los parmetros del MSBF que mejor representan los datos
de planta son:
1
= 2.4585 10
6
,
2
= 3.0910 10
10
,
= 1 10
14
y =
128.3 . La Tabla 3-1 presenta las variables medibles involucradas en el proceso, su
rango de trabajo y las condiciones inciales empleadas. El tipo de variable debe
entenderse como: 16T =variable de control, 16T =perturbacin medible, 16T =estado y 16T =
salida. Cabe aclarar que 16T y 16T son variables de entrada del modelo, 16T y 16T son estados y
salidas del modelo respectivamente

.
Variable
Tabla 3-1: Clasificacin de variables y condiciones de operacin del proceso de
alcalinizacin de jugo de caa.
Tipo
Unidad
Medida
Rango de trabajo
Condicin
inicial
Flujo de lechada de cal (
2
)
GPM [10 70] 23.63
Flujo de jugo sulfitado (
1
)
GPM [500 2100] 1657.3
pH de lechada de cal (
2
)
pH [11.7 12.2] 12.33
pH de jugo sulfitado (
1
)
pH [4.1 5.0] 4.4965
Carga elctrica (
3
)
C
[9.8090 10
6
, 0.0026]
-2.6 10
4

Anin ultimo (
3
)
mol / gal
[1.57760,6.57040] 10
4

4.06 10
4

pH del jugo alcalinizado (
3
)
pH [5.7 8.7]
7.3481

Los datos recolectados del diseo de experimentos tiles para validar el modelo son
presentados en la Figura 3-3 y la Figura 3-4. La Figura 3-3 corresponde al
comportamiento dinmico de las variables de entrada del SdeP y la Figura 3-4
corresponde al comportamiento dinmico de la variable de estado medida (conductividad
del jugo alcalinizado) y la salida ( del jugo alcalinizado). Los datos son muestreados
cada 3 segundos.
La carga elctrica se supone medida a partir de la medida de la conductividad del jugo
alcalinizado. Como trabajo futuro se plantea encontrar una relacin de la conductividad y
la carga elctrica del jugo de caa con el fin de disminuir el error de validacin del
modelo. Por tal motivo se presenta la dinmica de la conductividad del jugo alcalinizado
en la Figura 3-4a. Se aclara que no se realiza la relacin entre conductividad y carga
elctrica por no ser objeto de estudio de esta tesis. Se remite al lector interesado a
[Waller and Makila, 1981].

Figura 3-3:
a. b.
Seales de las entradas medidas: a. Flujo de lechada de cal, b. Flujo de
jugo sulfitado, c. pH de lechada de cal, d. pH de jugo sulfitado.
c. d.

Figura 3-4:
a.
Seales medidas de: a. Conductividad del jugo alcalinizado, b. pH del jugo
alcalinizado.

b.
16 16.5 17 17.5 18 18.5 19
5
10
15
20
25
30
35
40
45
g
p
m
16 de marzo de 2011 (hora)
16 16.5 17 17.5 18 18.5 19
200
400
600
800
1000
1200
1400
1600
1800
2000
2200
g
p
m
16 16.5 17 17.5 18 18.5 19
12.3296
12.3298
12.33
12.3302
12.3304
12.3306
12.3308
12.331
12.3312
p
H
16 16.5 17 17.5 18 18.5 19
4.46
4.465
4.47
4.475
4.48
4.485
4.49
4.495
4.5
4.505
4.51
p
H
16 16.5 17 17.5 18 18.5 19
3
3.5
4
4.5
5
5.5
6
6.5
m
S
16 16.5 17 17.5 18 18.5 19
5
6
7
8
9
10
11
p
H

Las Figura 3-5 muestra el comportamiento dinmico de los estados del modelo validado,
los cuales son: estado
1
o carga elctrica, estado
2
o anin ltimo. La Figura 3-6
presenta el comportamiento dinmico de la salida o pH de jugo alcalinizado. La seal
punteada representa la seal medida y la seal continua representa la seal predicha
con el MSBF hallado. S

e aprecian desviaciones entre las seales debido a
perturbaciones no modeladas, pero se concluye que es un modelo aceptable ya que
logra reflejar tendencias y responder correctamente ante las variables medidas en el
proceso. Finalmente, como ndice de desempeo del MSFB la Integral Absoluta del Error
(IAE) promedio con un valor de 0,3511.
Figura 3-5: Comportamiento dinmico de los estados predichos.

Hasta este punto se dispone de un Modelo Semifsico de Base Fenomenolgica (MSBF)
validado con datos de planta. Es de aclarar que el MSBF validado se emplea para
obtener datos sintticos de los estados y la salida del proceso. Los datos sintticos se
obtienen a partir de la excitacin en amplitud y magnitud de las entradas del MSBF y son
utilizados para realizar la identificacin y la validacin del SIB T-S con CBMD en el
espacio de estado. De esta forma, se logra obtener un modelo en espacio de estados
que refleja fielmente el comportamiento dinmico y real del proceso. Para realizar la
identificacin es necesario seleccionar preliminarmente y ajustar el regresor y el nmero
de grupos. Una propuesta para la seleccin se presenta en el Captulo 4.

16 16.5 17 17.5 18 18.5 19
-8
-6
-4
-2
0
x 10
-4
e
l
e
c
t
r
o
n
e
u
t
r
a
l
i
d
a
d
16 16.5 17 17.5 18 18.5 19
3.5
4
4.5
5
x 10
-4
a
n
i
n

u
l
t
i
m
o

Figura 3-6: Comportamiento dinmico del pH medido (**) vs. pH simulado (--).

16 16.5 17 17.5 18 18.5 19
5
6
7
8
9
10
11
p
H

4. Identificacin de modelos mediante
Sistemas de Inferencia Borrosa Takagi-
Sugeno (SIB T-S) y Conjuntos Borrosos
Multidimensionales (CBMD)
La clave de todas las estrategias de control avanzado es un buen modelo del proceso
que se controla. El proceso puede estar representado por un Modelo Semifsico de Base
Fenomenolgica (MSBF), como se presento en el Captulo 3. Los MSBF presentan
problemas de convergencia rpida (posibles iteraciones en equilibrios qumicos) y alta
carga computacional al resolver mltiples ecuaciones diferenciales en cada tiempo de
muestreo. Por esto, se contempla como alternativa representar el proceso con Sistemas
de Inferencia Borrosa Takagi-Sugeno (SIB T-S), los cuales no presentan problemas de
iteracin debido a su naturaleza algebraica. Adems, adicionando Conjuntos Borrosos
Multidimensionales (CBMD) se parte el espacio de estados en clusters lo que facilita el
manejo de la carga computacional y no adiciona incertidumbre al modelo [Sierra, 2009].
Una propuesta para la obtencin de SIB T-S con CBMD se presenta en [lvarez y Pea,
2004]. En este trabajo se propone obtener un MSBF [lvarez et al, 2009] que contiene
toda la informacin dinmica del proceso real y a partir de este modelo generar datos
sintticos para identificar SIB T-S con CBMD que representen fielmente el proceso y
presenten una estructura ms compacta, disminuyendo la carga computacional. La
metodologa para la identificacin de SIB T-S con CBMD puede verse en la Figura 4-1.
4.1 Modelado a travs de sistemas de inferencia borrosa
Un Sistema Borroso (SB) es una formulacin matemtica que emplea la Teora de los
Conjuntos Borrosos o sus desarrollos asociados (la lgica borrosa, la matemtica
borrosa, entre otros) en la representacin de un fenmeno; as entonces, un sistema
borroso es un modelo. Cuando estos modelos borrosos utilizan la lgica borrosa como
40 Evaluacin de un CPNBM SIB T-S y CBMD

herramienta principal de representacin, las formulaciones generadas se conocen como
Sistemas de Inferencia Borrosa (SIB).

Figura 4-1: Diagrama de flujo de la propuesta para identificar SIB T-S con CBMD.

En el modelado borroso, o sea la representacin de un sistema a travs de un modelo
borroso, la estructura del modelo se define en el momento de la eleccin del tipo
particular de SIB a adoptar (Mamdani, Takagi-Sugeno, Pedrycz, entre otros), cuando los
SIB son los tipos de modelos a utilizar. Ligados con la eleccin anterior, existen
parmetros a determinar; un tipo de ellos son los estructurales: el nmero de reglas, el
nmero de variables de entrada, el nmero de trminos borrosos a asignar por cada
variable, los operadores lgicos que unirn las variables de los antecedentes. En cuanto
a los parmetros funcionales, se deben definir: las funciones de pertenencia especficas
a emplear (forma y posicin), el esquema de implicacin a utilizar y la frmula de
concrecin apropiada (si lo requiere).

Para llevar a cabo la construccin de un modelo a travs de SIB, debe tenerse en cuenta
que los SIB se inscriben dentro de las denominadas tcnicas de modelado caja gris. Este
tipo de modelos, combina la comprensin disponible sobre la naturaleza y
comportamiento de un sistema (caracterstica de los modelos caja blanca), con la
determinacin de un aproximador de funciones generales que capture la dinmica y
Captulo 4. Identificacin de modelos mediante SIB T-S y CBMD 41

comportamiento no-lineal del sistema, del que no se dispone conocimiento alguno
(particularidad de los modelos caja-negra).

Es bastante frecuente modelar un fenmeno con muy poco conocimiento de l, lo cual
obliga a que tanto la determinacin de la estructura como la identificacin de los
parmetros, emplee de forma intensiva los datos que revelan el comportamiento del
sistema a diferentes condiciones de operacin. Cuando en la construccin de un SIB, se
posee conocimiento, lo comn es que haya sido suministrado por "expertos", que dan
cuenta del comportamiento cualitativo del sistema. Los datos pueden obtenerse a travs
de un registro histrico, o por la elaboracin de pruebas explcitamente diseadas para
su adquisicin.

El modelado de un fenmeno a travs de los SIB lleva a cabo un mapeo inherentemente
esttico : ; donde es un espacio en
y es un espacio en
; as, =
1
, Y=
1

. La mayora de los SIB definen ese mapeo en trminos de una

estructura y de un procedimiento, o inferencia; la inferencia dispone de la estructura para
procurar un resultado cuando se le ingresan al modelo un conjunto de datos que actan
como entradas al modelo (regresor).

La estructura ms frecuentemente empleada para realizar el mapeo son reglas parecidas
a las condicionales lgicas "Si...Entonces". El mapeo de
, conocido como
modelo MIMO (Multiple Inputs Multiple Outputs) no es la manera ms comn de utilizar
un SIB. De hecho todo modelo MIMO puede ser expresado en trminos de un conjunto
de modelos MISO (Multiple Inputs Single Output). En los modelos MISO se efecta un
mapeo de
en .

Se han publicado varias propuestas de SIB que se distinguen, por ejemplo, por la
utilizacin de reglas o el uso de relaciones como estructura principal del modelo; en la
necesidad o no de interpretacin lingstica del modelo; en la naturaleza borrosa o
concreta del consecuente; en el empleo de Conjuntos Borrosos Multi-Dimensionales
(CBMD) en el antecedente o en el enlace lgico de Conjuntos Borrosos Uni-
Dimensionales (CBUD) en el mismo [Sun, J ang and Mizutani, 1997], [Babuska, 1998],
[lvarez y Pea, 2004], [Sierra, 2009].

En cuanto al mtodo de inferencia puede decirse que se encuentra relacionado con la
estructura empleada, aunque el diseador del SIB puede definir sus caractersticas
propias. Existen tres tipos bsicos de SIB, dependiendo de la estructura de las reglas
(base de conocimientos). Las particularidades de aplicacin de cada una de estas clases
de SIB estn fuera del alcance de este trabajo, pero se invita al lector a consultar
[lvarez y Pea, 2004] y [Sierra, 2009], para una excelente discusin sobre el tema. A
continuacin se describe de forma breve los tres tipos bsicos de SIB.

SIB lingsticos. Con este nombre se designan a aquellos SIB que utilizan reglas con
proposiciones borrosas en el antecedente y el consecuente como estructura
fundamental del modelo. Los conjuntos borrosos que se asignan a las variables, se
encuentran ligados a etiquetas lingsticas que poseen significado para un intrprete
del modelo o un experto en el sistema real. Este tipo de SIB, fue inspirado en el
trabajo pionero de Ebrahin Mamdani [Mamdani and Assilian, 1974].

SIB relacionales. Los modelos relacionales fueron propuestos en [Pedrycz, 1984]. En
este tipo de modelos, el mapeo de los conjuntos borrosos
en los conjuntos
borrosos
se realiza a travs de una relacin borrosa = [
. De este modo,
para una entrada numrica concreta , cada elemento del conjunto borroso =
{
1
(),
2
(), ,
()} representa el grado con el cual la entrada numrica

concreta x es compatible con los trminos lingsticos asociados con
. Cada
elemento del conjunto borroso de salida, representa el grado de compatibilidad de la
salida numrica concreta y con el trmino lingstico correspondiente a cada
,
denotado como B= {
1
(),
2
(), ,
()}. El conjunto borroso B se obtiene

mediante la operacin composicin : = .

SIB Takagi Sugeno (SIB T-S). Este tipo de SIB usa como consecuente numrico en
cada regla una funcin lineal de las entradas al modelo. Tal estructura est en
capacidad de representar una clase general de sistemas estticos o dinmicos no
lineales [lvarez y Pea, 2004]. En la siguiente sesin se discuten las
particularidades de este tipo de SIB por ser el tipo de modelo empleado en el
presente trabajo.

4.2 Sistema de Inferencia Borrroso Tipo Takagi-Sugeno
(SIB T-S)
Los SIB T-S emplean reglas Si-Entonces para representar un fenmeno. Sin embargo, la
caracterstica fundamental yace en la naturaleza y la forma en que se determina el
consecuente de cada regla. En los SIB T-S [Takagi and Sugeno, 1985], las reglas se
expresan de la siguiente manera:

: Si es
()
Entonces
()
=
()
(), = 1, , (4.1)

Donde el significado de todos los trminos es similar al SIB lingstico, excepto aquellos
que aparecen en el consecuente de la regla .
()
, es un vector de valores concretos del
dominio
1

. Lo comn es tratar con sistemas MISO, lo cual reduce el problema

a un consecuente con una funcin escalar
()
, y as ser considerado en adelante. En
general, la funcin que calcula la salida de la regla , es lineal:

()
() =
()
+
1
()
1
+ +
()
(4.2)
o
()
() =
()
+
(4.3)

donde
()
=
1
()
, ,
()
()
es el valor del k-simo parmetro de la funcin de salida,
en la regla . Dado que el consecuente es un valor concreto calculado a travs de una
funcin lineal de sus argumentos, tambin concretos, los valores de las variables de
entrada del antecedente de las reglas son igualmente concretos. Se evidencia la
diferencia con los otros dos tipos de SIB antes presentados. La salida del modelo T-S,
se calcula como la suma ponderada de las salidas obtenidas en cada regla:

=
()
()
()
=1
(4.4)

Donde
()
() es la ponderacin correspondiente a la salida producida mediante la regla
, calculada como:
()
() =

()
()

()
()
=1
(4.5)

En el que
()
() es el grado de cumplimiento de la i-sima regla respecto a la entrada ,
tambin llamado grado de pertenencia.

Normalmente, la mayora de las propuestas de SIB operan con una particin explicita del
antecedente o Conjuntos Borrosos Unidimensionales (CBUD), pero es posible usar una
particin implcita. En este trabajo comparan el modelo SIB T-S que usa particin
explicita y el modelo SIB T-S que usa particin implcita [lvarez y Pea, 2004]. Dicha
particin implcita opera con Conjuntos Borrosos Multidimensionales (CBMD) como una
aproximacin prctica cuando se utiliza el SIB T-S como modelo. En este caso, todos los
CBUD del antecedente de cada regla se transforman en un CBMD simple por regla.

A pesar de la prdida de interpretacin lingstica que ocurre al concatenar los CBUD de
las variables del regresor en un CBMD, este resulta ms compacto que los CBUD
[lvarez y Pea, 2004]. En consecuencia, las tareas relativas a la definicin estructural y
paramtrica del modelo usando SIB T-S resultan ms sencillas. Adicionalmente, puede
realizarse un agrupamiento (clustering) borroso sobre los datos con el fin de obtener una
buena aproximacin al nmero de reglas en la base de conocimientos del SIB y obtener
los CBMD directamente por una reduccin del espacio.

Operacin de SIB T-S con CBUD en el antecedente. Aproximacin para sistemas
estticos tipo MISO.

Una regla tpica de este tipo de SIB, se presenta a continuacin:

: Si
1
es
()

es
()
Entonces
()
=
()
+
1
()
1
++
()
,
= 1, ,
(4.6)

El proceso de razonamiento que se sigue en un SIB T-S de esta clase se describe
brevemente en los siguientes pasos:
Paso 1. Clculo del grado de compatibilidad de la entrada. El valor concreto (no-borroso)
obtenido por cada variable,
, = 1, , , adquiere un grado de compatibilidad en cada

regla ,
()
(
). Ese grado de compatibilidad se establece como la posibilidad (en el


sentido de Zadeh) de ese valor al CBUD asociado con su variable. En este caso, el grado
de compatibilidad es el grado de pertenencia del valor en el CBUD correspondiente.

Paso 2. Clculo del grado de cumplimiento de cada regla. De acuerdo con los grados de
compatibilidad obtenidos en el paso anterior y el tipo de conectivo lgico que une los
trminos del antecedente de cada regla, se calcula un grado de cumplimiento,
()
; este
valor se determina aplicando un operador T-norma sobre los grados de compatibilidad en
caso de que los trminos estn enlazados por el conectivo lgico conjuncin (and); o a
travs de un operador S-norma en caso de que el conectivo sea el de disyuncin (or).

Paso 3. Clculo del valor de la variable de salida en cada regla. Empleando los valores
concretos asumidos por las variables de entrada, se calcula el valor de la variable de
salida del modelo arrojado por cada regla, para ello se emplea la funcin que aparece en
el consecuente.

Paso 4. Clculo del valor de la variable de salida del modelo. Este valor se calcula como
la suma ponderada de los valores aportados en cada regla. Los ponderadores son los
valores
()
obtenidos en cada regla.

Operacin de SIB T-S con CBMD en el antecedente. Aproximacin para sistemas
estticos tipo MISO.

Una regla para este tipo de SIB se representa por:

: Si
1
es
()
Entonces
()
=
()
+
1
()
1
++
()
, = 1, , (4.7)

El razonamiento de este tipo de SIB, procede de la siguiente forma:

Paso 1. Clculo de los grados de compatibilidad de los valores de entrada. Los valores
concretos (no borrosos) obtenidos por cada variable que compone la variable
multidimensional de entrada del modelo, son agregados en una M-tupla = [
1
, . . . ,
.
Esta M-tupla posee un grado de compatibilidad en cada regla ,
()
(
), definido como la
pertenencia de ella al CBMD que aparece en el antecedente.

Paso 2. Estimacin del grado de cumplimiento de cada regla. Dado que el antecedente
no se compone de una serie de proposiciones borrosas enlazadas mediante algn
conectivo lgico, el grado de cumplimiento de la regla,
()
(), es el grado de
compatibilidad obtenido por la M-tupla en ella (calculado en el paso anterior).

Paso 3. Clculo del valor de la variable de salida en cada regla. Empleando los valores
concretos asumidos por las variables de entrada, se calcula el valor de la variable de
salida del modelo arrojado por cada regla, para ello se emplea la funcin que aparece en
el consecuente.

Paso 4. Clculo del valor de la variable de salida del modelo. Este valor se calcula como
la suma ponderada de los valores aportados en cada regla. Los ponderadores son los
valores
()
obtenidos en cada regla.

Un esquema del razonamiento es presentado en la Figura 4-2, donde se ha supuesto un
sistema compuesto por dos reglas, dos variables en el antecedente de cada una de ellas
[Sierra, 2009].

Figura 4-2: Esquema de razonamiento de SIB T-S con CBMD.

Operacin de SIB T-S. Aproximacin para sistemas dinmicos tipo MISO

Hasta el momento la descripcin y operacin de los dos tipos de SIB T-S (con CBUD y
con CBMD) se ha hecho para modelar sistemas estticos. La variacin fundamental que
habra que hacer en ellos para que modelen sistemas dinmicos es la incorporacin de

un regresor que contenga la dinmica, es decir que tenga valores retardados de las
variables del proceso. La salida de un sistema dinmico (lineal, invariante en el tiempo y
recursivo, tipo ARX) modelado a travs de un SIB T-S, calculado por la regla es:

()
() =
()
+
11
()
1
(
1
) + +
1
1
()
1
(
1
+
1
1)
+
21
()
2
(
2
) + +
2
2
()
2
(
2
+
2
1) +
+
1
()
) + +
()
1)
+
1
()
(
) + +
()

1
(4.8)

donde
()
() es el valor de la variable de salida arrojada por la regla en el tiempo ;
()
es el valor inicial de la salida en la regla ;
() es el valor, en el momento , de la
variable de entrada , = 1, , ; () es el valor, en el momento , de la variable de
salida del sistema;
( ) es el valor, instantes antes de , de la variable de entrada

, {0
+
}; ( ) es el valor, instantes antes de , de la variable de salida del
sistema,
+
;
()
es el valor del parmetro asociado con la variable en la regla ,
= 1, , ;
()
es el valor del parmetro asociado con la variable de salida del sistema
retardada tiempos;
{0
+
} es el tiempo que demora en hacer efecto un valor
previo de una entrada , en el valor de la salida del sistema;

+
es el tiempo que
demora en hacer efecto el valor de una salida previa del sistema, en el valor de la salida
del sistema;
es el nmero de valores previos de la variable de entrada , a

considerar en el regresor;
) es el nmero de valores previos de la salida del

sistema, a considerar en el regresor. Un diagrama que representa las nociones
se muestra en la Figura 4-3.

Figura 4-3: Esquema de las nociones


Utilizando notacin vectorial para la Ecuacin 4.13 se tienen:

()
() =
()
+
1
()
1
++
()
+
()

(4.9)
()
() =
()
+
()
=1
+
()
(4.10)

donde:
()
=
1
()
, ,
1
()
()
es el vector de parmetros asociado con el vector de va-
lores "actual y retardos" de la variable de entrada , = 1, , ;
), ,
1)
()
es el vector de los valores "actual y retardos" de la
variable de entrada
, en el instante . El espacio donde se define la variable x

j
, en
cualquier instante, es
, la dimensin de este espacio es
. De igual manera
()
=
1
()
, ,
()
()
es el vector de parmetros asociado con el vector de valores
"retardados" de la variable de salida en un tiempo ;
= (
), , (

1))
()
, es el vector de los valores "retardados" de la variable de salida en el instante ;
el espacio donde se define la variable de salida
es , la dimensin de este
espacio es
. Finalmente, la dimensin del espacio del regresor es
=1
+
.

Descripcin y operacin de SIB T-S con CBUD en el antecedentes. Aproximacin
para sistemas dinmicos tipo MISO.

Con base en la formulacin y notacin empleada para calcular la salida del modelo en la
-sima regla, Ecuacin (4.15), se explicarn a continuacin los modelos SIB T-S con
CBUD (tambin se empelarn para describir los SIB T-S con CBMD).
Las reglas para un SIB T-S con CBUD tomaran la siguiente forma:

: Si
1
(
1
) es
11
()

1
(
1
+
1
1) es
1
1
()

) es
1
()

1) es
()
(
) es
1
()

1es
()

Entonces
()
() =
()
+
1
()
1
+ +
()
+
()

(4.11)


donde
()
es el conjunto borroso asociado con el retardo de la variable de entrada

en la regla , = 1, ,
, = 1, ,
()
;
()
es el conjunto borroso asociado con el
retardo de la variable de salida y, = 1, ,
.

Teniendo en cuenta los valores de entrada y salida previos (conforme con las ventanas
temporales especificadas) en el clculo de la salida en un instante de tiempo , el modo
de operar de esta clase de SIB T-S se conserva inalterado respecto del procedimiento
descrito para un sistema esttico.

Descripcin y operacin de SIB con CBMD. Aproximacin para sistemas dinmicos
tipo MISO.

Las reglas para un SIB T-S con CBMD presentara la siguiente estructura:

: Si () es
()
Entonces
()
() =
()
+
1
()
1
++
()
+
()

(4.12)

donde el espacio de entrada del sistema se representa mediante el vector:

() = [
1
(
1
), ,
1
( (
1
+
1
1)), ,
),

( (
1)), (
), ,
1)
(4.13)

()
es un CBMD sobre el universo:
1
, con
dimensin M
=1
.

Contando con los valores de entrada y salida previos (conforme con las ventanas
temporales especificadas) en el clculo de la salida en un instante de tiempo , el modo
de operar de este tipo SIB T-S se conserva inalterado respecto del procedimiento
descrito para un sistema esttico.

4.3 Propuesta de identificacin de sistemas a travs de
SIB T-S
Tanto la estructura y operacin de los SIB T-S como una propuesta de identificacin de
estos, fue presentada originalmente en [Takagi and Sugeno, 1985]. Dado que los temas
concernientes a la estructura y operacin de este tipo de SIB fueron expuestos en la
Seccin 4.1.1, este apartado ser dedicado a una presentacin sinttica de la propuesta
de identificacin formulada en el artculo original con unas variantes que han mejorado
este algoritmo [lvarez y Pea, 2004]. El mtodo de identificacin formulado por Takagi y
Sugeno, requiere resolver los siguientes tres problemas:

Determinar las variables
que integrarn el antecedente de las reglas
(regresor).
Precisar la funcin de pertenencia del conjunto borroso que se asocia con cada
proposicin borrosa (premisa) que aparece en el antecedente de cada regla; a estas
funciones se les denominar parmetros de las premisas y se simbolizan por
() ;
donde
()
es un conjunto borroso correspondiente a una premisa en la regla .
Definir los parmetros que aparecen en las funciones lineales del consecuente; para
abreviar sern referenciados como parmetros del consecuente:
()
es el valor del
parmetro , en la ecuacin que calcula el valor de la salida en la regla i.

Un algoritmo muy general fue presentado por sus autores en el artculo original [Takagi
and Sugeno, 1985]. Otras variantes han mejorado tal algoritmo. Estudiando el algoritmo
de identificacin original, y los otros propuestos [lvarez y Pea, 2004], se hace evidente
que el paso correspondiente a la eleccin de las premisas de los antecedentes, es el que
influye primordialmente en el resultado del proceso. Los pasos de identificacin de los
parmetros de las premisas y del consecuente dependen totalmente de las definiciones
tomadas en ese primer paso.

La propuesta de identificacin de SIB T-S, formulada en [lvarez y Pea, 2004] es
tratada aqu. Una caracterstica fundamental de esa propuesta es la construccin de SIB
T-S asignando CBMD a las variables que aparecen en el antecedente de las reglas
obtenidas por el proceso de identificacin. Dado que un SIB T-S es una formulacin
matemtica que puede emplearse para representar un sistema, el primer paso de un
proceso de identificacin, que utilice SIB es la determinacin de una estructura para el

modelo. De manera sinttica, el mtodo de identificacin formula dos grandes procesos
denominados sintona gruesa y sintona fina. Los procesos son descritos a continuacin y
la Figura 4-4 presenta de manera resumida un esquema de la metodologa de
identificacin empleada.

Figura 4-4: Metodologa para la identificacin de SIB T-S con CBMD.
Identificacin de SIB T-S con CBMD
S
i
n
t
o
n
a

G
r
u
e
s
a
S
i
n
t
o
n
a

F
i
n
a
1.2
Preprocesamiento
de datos
Nomalizacin
de datos
1.1
Antecedente
(centros)
Consecuente
(ponderadores)
Filtrado del ruido
Filtrado de datos
espurios
Eliminacin de
datos repetidos
1.4
Agrupamiento
en reglas
1.5
Determinacin de
CBMDs
Identificacin
Paramtrica
1.6
Ajuste de parmetros
2.1
Normalizar
datos en el
intervalo [0,1]
Determinacin
del gradiente
de la seal
muestreada
1.3
Mtodo Fuzzy
C-Means
Asignar el factor de
pertenencia de cada
regresor de datos de
entrada a los
CBMDs
Forma
tradicional del
mtodo T-S

En la sintona gruesa se pretende determinar la estructura del SIB T-S y una primera
versin de los valores de los parmetros de la misma. Los pasos a seguir son:


Pre-procesar los datos. Los datos son sometidos a operaciones de filtrado para
disminuir la influencia de ruido y fenmenos espurios.
Normalizar las entradas y la salida. La normalizacin de datos es llevada a cabo por
las siguientes razones: i) Las variables involucradas son de distinta naturaleza y
magnitud, ii) Las seales involucradas pueden tener un rango de variacin no lineal,
iii) Los datos pueden tener una distribucin estadstica no favorable.
Determinacin del gradiente de la seal muestreada. En este paso se determina para
cada muestra la derivada parcial de la salida con respecto de cada entrada. Como
este dato no se conoce se utiliza un mtodo aproximado para la obtencin del mismo
a partir de los datos de identificacin. Este procedimiento aunque resulta viable en la
mayora de los casos, exige un costo computacional alto cuando los datos presentan
alguna concentracin sobre ejes particulares del problema. Particularmente, los datos
obtenidos para el neutralizador de pH presentan una configuracin que eleva
demasiado el costo computacional del clculo de este gradiente. Para una mayor
ampliacin del tpico relacionado con la determinacin del gradiente de la seal
muestreada, vase [Pea, di Sciascio y Carelli, 1998].
Agrupar las reglas bsicas. Se forma una matriz donde cada fila es un dato. Las
componentes de cada dato son: los valores del vector de entrada, el valor de salida
correspondiente y el valor del gradiente calculado en el paso anterior. Se procede a
agrupar estos datos con el mtodo Fuzzy C-Means. El mtodo de formacin de
grupos Fuzzy C-Means forma grupos borrosos asignndole a cada vector dato un
valor de pertenencia entre 0 y 1 a cada uno de los grupos borrosos.
Determinar los conjuntos borrosos de las premisas. Una vez realizado el agru-
pamiento borroso se procede a encontrar los conjuntos borrosos de las premisas.
Para ello se asigna a los datos de entrada el valor de pertenencia que surge del
mtodo de agrupamiento de las reglas. La obtencin de los conjuntos borrosos de
entrada puede efectuarse de varias maneras. Una alternativa es realizar la
proyeccin de los grupos resultantes en la premisa sobre cada variable de entrada.
Otra opcin es obtener conjuntos borrosos sobre el espacio de entrada como un todo.
Como resultado del mtodo de agrupamiento resulta un centro para cada grupo
borroso. Se utilizan los centros que corresponden a las variables de entrada, esto es
las primeras M componentes y el grado de pertenencia se obtiene como funcin de
una distancia. Una alternativa propuesta es la obtencin de grupos con mltiples
centros. Para ello se obtiene los puntos del grupo donde la funcin de pertenencia es

mayor a 0.5, se realiza un agrupamiento de estos datos con un nmero de grupos
determinado, y se utilizan los centros que surgen para la determinacin de la funcin
de pertenencia. Para el clculo de la pertenencia se considera que los mltiples
centros de un grupo dan origen a subgrupos y la funcin de pertenencia al grupo se
obtiene como la suma de las funciones de pertenencia a los subgrupos [Pea, 2002].
Identificacin paramtrica del modelo. Una vez obtenida la funcin de pertenencia a
los distintos grupos se procede a la identificacin paramtrica con la forma tradicional
del mtodo de Takagi y Sugeno.

En la sintona fina el objetivo es ajustar los valores de los parmetros del antecedente y
el consecuente de cada regla, establecidos en la etapa de sintona gruesa.

Retomando la metodologa planteada en [Takagi and Sugeno, 1985] para la identificacin
de SIB T-S y aplicando la inclusin de CBMD en [lvarez y Pea, 2004], el presente
trabajo plantea una propuesta novedosa para la seleccin de parmetros para un modelo
tipo Sistema de Inferencia Borrosa Takagi-Sugeno con Conjuntos Borrosos
Multidimensionales (SIB-TS CBMD). Esa seleccin se refiere a encontrar el regresor y el
nmero de CBMD adecuado. La propuesta consiste en aplicar un mtodo enumerativo
para probar agregativamente una a una todas las variables candidatas a entrada en el
regresor (con sus respectivos retardos), similar al artculo seminal [Takagi and Sugeno,
1985]. Todas las variables se agrupan (clustering) en CBMD preliminarmente, a
diferencia de [Takagi and Sugeno, 1985] que divide cada variable en dos conjuntos
borrosos tipo lineal: Alto y Bajo. El algoritmo calcula el ndice IAE (Integral del valor
absoluto) entre la salida del modelo validado y la salida real (datos medidos), para un
tiempo de ensayo constante. Se aclara que el IAE presentado es promediado en cada
experimento. El desempeo del modelo se evala con dos posibles criterios: i) minimizar
el IAE y ii) minimizar la dispersin del IAE. En el prximo apartado se identifica el SIB T-S
con CBMD aplicando esta tcnica para seleccionar el regresor y el nmero de conjuntos
borrosos del proceso para control de pH de jugo de caa alcalinizado.


4.4 Identificacin de SIBT-S con CBMD y con CBUD para
el PdeR.
Para iniciar la identificacin del SIB es necesario recolectar informacin de planta y
realizar un tratamiento de esa informacin, adems, es importante definir las variables
que se incluirn para la identificacin y la validacin del modelo (ver Seccin 4.3.1).
Como ya se mencion, el mtodo de identificacin tomado como base [lvarez y Pea,
2004], asume que la determinacin del regresor (identificacin del entorno) se realiza
previamente. Existen diversos mtodos para hallar el regresor [lvarez, 2000]. En esta
tesis, se usa un mtodo enumerativo para aumentar y evaluar progresivamente el ndice
de desempeo de cada regresor en la identificacin y la validacin del SIB T-S [Isaza y
lvarez, 2011a]. El proceso se realiza solo para el SIB T-S con CBMD (ver Seccin 4.3.2)
y posteriormente se aplican los resultados en la identificacin validacin del SIB T-S con
CBUD. Slo se realiza la optimizacin de los parmetros para los CBMD, debido a la
dificultad de ajustar los parmetros de los CBUD, puesto que se deben fijar: tipo de
funcin de pertenencia, nmero de particiones y adems definir rangos de las particiones
de cada entrada del regresor.
4.4.1 Inicial izaciones generales, toma y pretratamiento de datos
Las inicializaciones generales se refieren al ajuste de los parmetros de diversos
algoritmos que se utilizarn. Estos parmetros estn estrechamente relacionados con la
respuesta y los requerimientos exigidos al proceso bajo control. Por lo tanto se dejan
como tarea totalmente particular a la aplicacin. Para el PdeR tratado en la tesis, estos
ajustes se presentan cuando se postula el uso de cada algoritmo. Respecto a la toma de
datos, la aplicacin adecuada de una tcnica de modelado deber incluir variaciones en
las entradas del proceso basadas en un juzgamiento ingenieril de lo que razonablemente
pueda ser esperado que ocurra en el proceso [lvarez, 2000]. Por lo tanto, se debe
considerar siempre la calidad y cantidad de las variaciones, de modo que se cubra lo
mejor posible el comportamiento dinmico del proceso.

Particularmente, para identificar los modelos borrosos para el proceso de ajuste de pH de
alcalinizacin de jugo de caa, se preparan dos grupos de datos tomados a intervalos de
muestreo = 3 segundos: uno para identificacin y otro para validacin. En ambos se
obtiene una respuesta del proceso ante seales escaln aleatorias en periodo y amplitud

para
1
,
2
,
1
y
2
. En adelante, se entender como proceso al Modelo Semifsico de
Base Fenomenolgica (MSBF) validado en el Captulo 3. La Figura 4-5 presenta los
datos persistentemente excitantes de las entradas, y la Figura 4-6 presenta el
comportamiento de los estados y la salida del SdeP para la identificacin del SIB T-S. La
Figura 4-7 presenta los datos persistentemente excitantes de las entradas y la Figura 4-8
presenta el comportamiento de los estados y la salida del SdeP para la validacin del SIB
T-S. En la etapa de alcalinizacin de jugo de caa del Ingenio La Unin S.A, el pH de
jugo sulfitado es suavizado por medio de un tanque amortiguador (buffer) y la
preparacin de la lechada de cal es controlada en lazo cerrado, por estos motivos los pH
de entrada del SdeP para la identificacin y validacin del SIB presentan variaciones tan
pequeas.

Figura 4-5: Seales de entrada persistentemente excitantes (datos de identificacin):

Figura 4-6: Comportamiento de: Estados
1
y
2
(izquierda) y Salida o pH de J ugo
alcalinizado (derecha) frente a datos de identificacin.

0 50 100 150 200 250
500
1000
1500
2000
2500
g
p
m
0 50 100 150 200 250
0
20
40
60
g
p
m
tiempo (min)
0 50 100 150 200 250
4.45
4.5
4.55
p
H
0 50 100 150 200 250
12.28
12.3
12.32
12.34
12.36
12.38
p
H
tiempo (min)
0 50 100 150 200 250
-1.5
-1
-0.5
0
x 10
-3
e
l
e
c
t
r
o
n
e
u
t
r
a
l
i
d
a
d
0 50 100 150 200 250
3
4
5
x 10
-4
a
n
i
n

u
l
t
i
m
o
tiempo (min)
0 50 100 150 200 250
5
6
7
8
9
10
11
p
H
tiempo (min)

Figura 4-7: Seales de entrada persistentemente excitantes (datos de validacin):

Figura 4-8: Comportamiento de: Estados
1
y
2
(izquierda), Salida o pH de J ugo
alcalinizado (datos de validacin) (derecha).

Finalmente, respecto al tratamiento de los datos y con el fin de disminuir la influencia de
ruidos y datos espurios, se deben aplicar procedimientos para filtrado y eliminar del
conjunto de datos para identificacin y en validacin cualquier dato repetido, que no
aporta ninguna informacin y en cambio incrementa la carga computacional. En Sierra
(2009) se recomienda aplicar un procedimiento de normalizacin puesto que las variables
son de naturaleza y magnitud diferente. Por lo anterior, para el PdeR se aplica una
normalizacin de todas las variables en el intervalo [0,1], tomando los valores mnimo y
mximo indicados en la Tabla 4-1, que permiten la evolucin de las variables en un
intervalo suficientemente amplio para conocer los valores del sistema real, permitiendo
valores superiores a 1.0.

0 20 40 60 80 100 120
500
1000
1500
2000
2500
g
p
m
0 20 40 60 80 100 120
0
20
40
60
g
p
m
tiempo (min)
0 20 40 60 80 100 120
4.45
4.5
4.55
p
H
0 20 40 60 80 100 120
12.28
12.3
12.32
12.34
12.36
12.38
p
H
tiempo (min)
0 20 40 60 80 100 120
-1.5
-1
-0.5
0
x 10
-3
e
l
e
c
t
r
o
n
e
u
t
r
a
l
i
d
a
d
0 20 40 60 80 100 120
3
4
5
x 10
-4
a
n
i
n

u
l
t
i
m
o
tiempo (min)
0 20 40 60 80 100 120
5
6
7
8
9
10
11
p
H
tiempo (min)

Tabla 4-1: Intervalo en unidades de ingeniera para la normalizacin de las variables
del proceso de alcalinizacin de jugo de caa.
Variable
Unidad de
medida
Rango de trabajo
Condicin
inicial
2
)
GPM [10 40] 23.63
1
)
GPM [500 2100] 1657.3
Carga elctrica (
3
)
C
[9.8090 10
6
, 0.0026]
-2.6 10
4

Anin ultimo (
3
)
mol / gal
[1.57760,6.57040] 10
4

4.06 10
4

3
)
pH
[5.7 8.7] 7.3481

Esta normalizacin permite que la participacin de las variables en el modelo SIB refleje
su contenido de informacin sobre el proceso y no su valor numrico con relacin a las
dems variables del proceso.

Los datos usados para la identificacin y la informacin que debe suministrar el modelo
cuando es consultado, son dos caractersticas muy importantes a la hora de seleccionar
la clase de modelo a usar. Adicionalmente, la informacin previa que se tenga sobre la
operacin del proceso que se modela, junto con la complejidad de las relaciones
presentes entre las variables, permite orientar mucho mejor la seleccin de una clase
particular de modelo. Las clases de modelos de acuerdo a los datos pueden ser: modelos
Entrada-Salida o modelos en el Espacio de estados.

Los modelos Entrada-Salida son tiles para realizar representaciones de sistemas cuya
dinmica se conoce poco o sistemas cuya dinmica es de orden bajo. En vez de usar un
vector de estado con significado fsico, el estado del sistema se representa por un
nmero finito de entradas y salidas pasadas del sistema. Debe recordarse que el tamao
del regresor en un modelo entrada-salida es mayor que el del regresor en un modelo del
mismo sistema en el espacio de estado, puesto que el estado de un sistema es una
representacin vectorial mnima. En los modelos entrada-salida toda la dinmica interna
del proceso est enmascarada, por lo que cualquier diseo que use dicho modelo deber
contar con alguna manera de probar estabilidad de la dinmica interna. El otro aspecto a
resaltar en esta clase de modelos, es su alta dependencia de los datos experimentales
del proceso con los cuales se identifican sus parmetros. Por lo tanto, si se desea
obtener un modelo que refleje bien el comportamiento del proceso en todos sus modos

de operacin, la coleccin de datos disponibles deber contener informacin sobre todos
estos modos. En general los modelos de estado tienen un intervalo de validez mayor que
los modelos entrada-salida, adems, los dos modelos no son equivalentes como s
sucede en los sistemas lineales [Camacho and Bordons, 2004].

La notacin matricial simplifica mucho la representacin matemtica del sistema de
ecuaciones que constituye el modelo matemtico del proceso en el espacio de estado.
De hecho, el aumento en la cantidad de variables de estado, entradas o salidas, no
incrementa la complejidad de las ecuaciones, por lo que es posible proseguir el anlisis
de sistemas lineales complicados (entradas y salidas mltiples) con procedimientos
similares a los utilizados para analizar sistemas de ecuaciones diferenciales escalares de
primer orden. Es posible una extensin de este tipo de representaciones matricial a
sistemas no lineales, usando las formas cannicas [Zeitz, 1989]. En estas
representaciones, los trminos de la ecuacin matricial reflejan en forma compacta las
relaciones no lineales entre los estados, las entradas y las salidas del sistema. Adems,
en estos modelos la dinmica del proceso est totalmente representada, lo que permite
la prueba de estabilidad a partir del conocimiento interno del proceso y no nicamente a
travs de su comportamiento entrada-salida. Este tipo de modelos usan una funcin de
transicin de estado que mapea el estado y la entrada actual del sistema dinmico en un
cambio del estado o en el estado mismo en el prximo instante de tiempo:

= (, , )
= (, , )
(4.14)

Donde es el vector de los estados, es la accin de control y es un vector de
perturbaciones (medidas y no medidas). Por su parte y son funciones vectoriales de
transicin de estado y de salida, respectivamente. La representacin en el espacio de
estado resulta adecuada cuando se dispone del suficiente conocimiento previo para
determinar la estructura del sistema real y consecuentemente, las reglas y parmetros
del modelo presentan algn significado fsico, con lo cual se gana transparencia e
interpretabilidad del modelo. La desventaja mayor de la representacin en el espacio de
estado es la necesidad de medir todos los estados o de poder observarlos (estimarlos)
mediante las mediciones disponibles en el proceso. Esta ltima condicin implica que el
modelo matemtico del proceso debe ser observable. En otras palabras cualquier cambio

en un estado se refleja en la salida de manera nica, lo que permite diferenciar el efecto
de cada estado en la salida.

Con base en lo anterior, en esta tesis se plantea un modelo borroso en espacio de
estados, es decir, la identificacin de los Sistemas de Inferencia Borrosa (SIB) se realizan
para cada estado del Sistema de Proceso (SdeP). Los estados fueron definidos con base
en los invariantes de reaccin en el Captulo 3. La Tabla 4-2 presenta las variables que
se incluirn en el regresor con base en las variables del proceso de alcalinizacin de jugo
de caa discutido en el Captulo 3. Como el pH de la lechada de cal y el pH de jugo
sulfitado no representan variacin significativa y para no tener que medirlas (para
posteriormente hacer control), no se incluyen en el regresor del SIB.

Tabla 4-2: Variables del modelo del proceso de alcalinizacin de jugo de caa.
Variable de proceso Variable para el modelo
2
) Variable manipulada ()
1
) Perturbacin medida ()
3
) Salida controlada ()
Carga elctrica (
3
) Primer estado (
1
)
Anin ultimo (
3
) Segundo estado (
2
)
4.4.2 Identifi cacin de SIBT-S con CBMD
Para comenzar el identificacin del SIB T-S usando CBMD es necesario definir el
regresor a usar y el nmero de conjuntos borrosos para el agrupamiento (clustering). En
esta tesis, como se mencion en la Seccin 4.2, se emplean algoritmos enumerativos
para evaluar el desempeo de los diferentes regresores en la validacin de los SIB T-S
con CBMD. La propuesta consiste en aplicar un mtodo enumerativo para probar
agregativamente una a una todas las variables candidatas a entrada en el regresor (con
sus respectivos retardos), similar al artculo seminal [Takagi and Sugeno, 1985]. Todas
las variables se agrupan (clustering) en CBMD preliminarmente, a diferencia de
[Takagi and Sugeno, 1985] que divide cada variable en dos conjuntos borrosos tipo
lineal: Alto y Bajo. El algoritmo calcula el ndice IAE (Integral del valor absoluto) entre la
salida del modelo validado y la salida real (datos medidos), para un tiempo de ensayo
constante (2 horas). Se aclara que el IAE presentado es promediado en cada
experimento. El desempeo del modelo se evala con dos posibles criterios: i) minimizar
el IAE y ii) minimizar la dispersin del IAE.

El regresor preliminar del algoritmo incluye slo los flujos de entrada y progresivamente
aumenta hasta incluir regresiones diferentes para cada variable de la Tabla 4-2, es
decir, inicialmente se modela = (, ), posteriormente se incluye la salida del proceso
(
3
) en el regresor = (, , ) y finalmente se incluyen los estados estimados por el
mismo modelo = (, , , ). Con cada regresor se identifica un SIB T-S siendo el
nmero de CBMD que se valida frente a datos reales para evaluar su desempeo. Para
modelar el SIB en espacio de estado, el algoritmo identifica y valida simultneamente los
estados
1
y
2
para incluir en el regresor los estados predichos como se presenta en
la Ecuacin 4.15. Siendo , , , y en nmero mximo de regresiones que puede
tomar cada variable en el algoritmo para la optimizacin del regresor.

= [( ), , ( 1), ( ), , ( 1),
( ), , ( 1),
2
( ), ,
2
( 1),
1
( ), ,
1
( 1)]
(4.15)

Para inicializar el algoritmo se seleccion preliminarmente = 3 CBMD. Como resultado
del algoritmo la Ecuacin 4.16 y 4.17 presenta el regresor del SIB que minimiza el IAE
con datos de validacin para la prediccin de
1
y
2
respectivamente.

para
1
= [( 1), ( 2), ( 1)] (4.16)
para
2
= [( 2), ( 1), ( 1), ( 4), ( 3), ( 2)( 1)] (4.17)

Como se aprecia en la Ecuacin 4.16 y 4.17, los regresores obtenidos no incluyen la
auto-regresin de la variable predicha ni informacin del otro estado. Para considerar una
regularizacin [J ohansen, 1996] de uso de estos modelos en el control avanzado de
procesos, es decir, incluyendo los modelos SIB en una tcnica de control avanzado como
CPNBM, es necesario incluir la regresin del estado predicho como entrada al modelo
(ver Captulo 5). Por tal motivo, se us la dispersin del IAE de validacin de los SIB
como otro criterio de seleccin. Por eso se oblig la inclusin de la auto-regresin. En tal
sentido, la Figura 4-9 presenta la dispersin del IAE de validacin de los SIB T-S con
CBMD (eje y), respecto a diferentes auto-regresiones de
1
y
2
respectivamente (eje x).
Es importante resaltar que al incluir por lo menos una auto-regresin de la variable
predicha se reduce considerablemente la dispersin de los IAE. Eso indica que en el
caso de seleccionar el regresor con el mnimo IAE encontremos un mnimo local.

Adems, se observa que las variables del regresor actual no generan dispersin grande
al cambiar el nmero de grupos.

Figura 4-9: Dispersin IAE de validacin para diferentes auto-regresiones de
1

(izquierda) y de
2
(derecha).

para
1
= [( 1), ( 2), ( 1),
1
( 4),
1
( 3),
1
( 2),
1
( 1)] (4.18)

para
2
= [( 2), ( 1), ( 2), ( 1),
2
( 2),
2
( 1)] (4.19)

Los regresores obtenidos describen dos modelos SIB T-S con 3 CBMD: i) con mnimo
IAE (Ecuacin 4.16 y 4.17) ii) con mnima dispersin del IAE (Ecuacin 4.18 y 4.19).

Para optimizar el nmero de CBMD, se plantea igualmente un algoritmo a partir de un
mtodo enumerativo que prueba agregativamente el nmero de CBMD para la
identificacin de los dos SIB T-S obtenidos. La Figura 4-10 y la Figura 4-11 presentan los
resultados del algoritmo empleado en cada caso: modelo con mnimo IAE y modelo con
la mnima dispersin de los IAE respectivamente. En las figuras se evidencia el nmero
ptimo de conjuntos borrosos para cada caso: i) modelo con mnimo IAE son 5 CBMD
para el estado
1
y 14 CBMD para el estado
2
y ii) modelo con mnima dispersin del
IAE son 6 CBMD para el estado
1
(aunque es un mnimo local, la reduccin del error
para el mnimo global igual a 16 grupos, no es significativa y aumenta considerablemente
la carga computacional) y 3 CBMD para el estado
2
. Es evidente la reduccin de CBMD
para el caso del modelo con menor dispersin de errores. La reduccin de CBMD mejora
0 1 2 3 4
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
Regresiones de x1
I
A
E

p
r
o
m
e
d
i
o
0 1 2 3 4
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
Regresiones del x2
I
A
E

p
r
o
m
e
d
i
o

significativamente el tiempo de cmputo del SIB T-S y por ende, la optimizacin del
CPNBM.

Figura 4-10: IAE para diferente nmero de CBMD del modelo con mnimo IAE.

Figura 4-11: IAE para diferente nmero de CBMD del modelo con mnima dispersin de
IAE.

La Tabla 4-3 presenta el ndice de la Integral del Valor Absoluto del Error (IAE) en el
proceso de identificacin y validacin de los modelos obtenidos por los dos mtodos de
seleccin de regresor y nmero de grupos (para la prediccin de cada estado
1
y
2
). La
respuesta del modelo con datos de identificacin mejora considerablemente cuando se
incluye la auto-regresin, caso contrario al usar datos de validacin donde el desempeo
es muy similar. Sin embargo, incluir la autoregresin ayuda al controlador que utiliza el
2 4 6 8 10 12 14 16 18 20
0.016
0.017
0.018
0.019
Numero de CBMD de X1

2 4 6 8 10 12 14 16 18 20
0.06
0.07
0.08
0.09

d
e

2 4 6 8 10 12 14 16 18 20
0.019
0.02
0.021
0.022
0.023

2 4 6 8 10 12 14 16 18 20
0.08
0.09
0.1

d
e

X
1

I
A
E

p
r
o
m
e
d
i
o

I
A
E

p
r
o
m
e
d
i
o

d
e

X
2

d
e

X
1

I
A
E

p
r
o
m
e
d
i
o

I
A
E

p
r
o
m
e
d
i
o

d
e

X
2

modelo en mencin, lo que constituye una regularizacin del modelo por uso futuro
[J ohansen, 1996].

Tabla 4-3: IAE de los SIB T-S con CBMD obtenidos.
Modelo Regresor CBMD
IAE
Identificacin
IAE
Validacin
min. IAE
Ecuacin 4.16
Ecuacin 4.17
[3 3]
0.0254
0.0672
0.0168
0.0711
min.dispersin IAE
Ecuacin 4.18
Ecuacin 4.19
[3 3]
0.0061
0.0059
0.0232
0.0895
min. IAE
Ecuacin 4.16
Ecuacin 4.17
[5 14]
0.0254
0.0572
0.0168
0.0640
min.dispersin IAE
Ecuacin 4.18
Ecuacin 4.19
[6 3]
0.0057
0.0060
0.0219
0.0891

0 = [
+
]
4
+(
1

1
) [
+
]
3
+ (
1

1
+
2

1
+

1

2
)
[
+
]
2
+(
1

1

2
+ 2
2

1

2
+
1

)[
+
]
+
1

2

(4.20)
=
10
1
+
=
10
+ = [
+
]
(4.21)

La Figura 4-12 y la Figura 4-13 presentan el comportamiento de los estados
1
y
2

predichos con SIB T-S y CBMD frente a datos de validacin y de identificacin
respectivamente. El estado
1
predicho representa de manera fiel los datos del proceso,
por el contrario, el estado
2
predicho no logra acoplarse de manera precisa a los datos
del proceso. El fenmeno qumico que ocurre, bastante complejo, no tiene suficiente
informacin desde los sensores actuales en proceso para lograr un seguimiento preciso
desde el modelo para predecir el estado
2
. Desafortunadamente el detalle de la parte
qumica del fenmeno no es objetivo de esta Tesis. Adems, como se puede evidenciar,
el efecto de
2
sobre el no es muy destacado, puesto que es
1
el que da la tendencia
de variacin del . Con los estados conocidos (Figura 4-12 y Figura 4-13) es posible
entonces resolver de forma iterativa la Ecuacin (4.20) para obtener el de manera
implcita, y luego con la Ecuacin (4.21), deducir el de jugo de caa alcalinizado que
se presenta en la Figura 4-14.

Figura 4-12: Comportamiento de
1
predicho con SIB T-S y CBMD frente a datos de:
Identificacin (izquierda) y Validacin (izquierda).

2
predicho con SIB T-S y CBMD frente a datos de:
Identificacin (izquierda) y Validacin (izquierda).

Figura 4-14: Respuesta de validacin del SIB T-S con CBMD en espacio de estados
para pH de jugo alcalinizado.

3050 3100 3150 3200 3250 3300 3350 3400 3450
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
1600 1620 1640 1660 1680 1700 1720 1740 1760 1780
0.05
0.1
0.15
0.2
0.25
0.3
0.35
1600 1650 1700 1750 1800 1850 1900 1950
0.35
0.4
0.45
0.5
0.55
0.6
0.65
0.7
1400 1450 1500 1550 1600 1650 1700 1750 1800
0.35
0.4
0.45
0.5
0.55
0.6
40 42 44 46 48 50 52 54 56 58 60
5.5
6
6.5
7
7.5
8
8.5
9
9.5
10
10.5
tiempo (min)
p
H

Como la finalidad del SIB T-S con CBMD es su uso en control industrial, es necesario
validarlo adems con datos reales de planta. Los datos de planta empleados para la
validacin del SIB T-S con CBMD son los datos que se emplearon para ajustar los
parmetros del MSBF (ver Seccin 3.4). Los resultaos se presentan en la Figura 4-15. La
seal punteada representa los datos de planta y la seal continua representa la seal
predicha con el SIB T-S con CBMD identificado. Como ndice de desempeo del SIB T-S
con CBMD se obtuvo la Integral Absoluta del Error (IAE) promedio con un valor de
0,3072.

Figura 4-15: Respuesta de validacin del SIB T-S con CBMD frente a datos de planta.

Concluyendo, al conformar CBMD en la identificacin de SIB T-S, se reduce
considerablemente la cantidad de parmetros a definir previos a la identificacin, los
cuales requieren de conocimiento de un experto en el proceso, por otra parte el nmero
de reglas borrosas necesarias para la prediccin de la salida tambin se reduce en
comparacin con los SIB T-S con CBUD, como se analiza a en la siguiente seccin.
4.4.3 Identifi cacin de SIB T-S con CBUD
Identificar SIB T-S usando Conjuntos Borrosos Unidimensionales (CBUD) no es tan
sencillo como hacerlo empleando CBMD. Los CBUD presentan gran variedad de
parmetros a definir previos a la identificacin, entre ellos: tipo de funcin de pertenencia
y nmero de particiones para cada entrada del regresor. Por esta razn no es prctico
0 20 40 60 80 100 120 140 160
5
6
7
8
9
10
11
tiempo (min)
p
H

emplear algoritmos enumerativos para encontrar el ptimo de cada una de estos
parmetros, si no emplear el conocimiento de quien opera el proceso para definirlos. En
este trabajo los parmetros para identificar SIB T-S con CBUD se deducen a partir de los
resultados obtenidos de la identificacin del SIB T-S con CBMD buscando reflejar un
comportamiento similar. El comportamiento es diferente por la prdida de informacin
resultante al partir cada variable de estado en conjuntos borrosos independientes, es
decir, emplear CBUD [Sierra, 2009].

Para efectos de comparar cualitativamente el empleo de CBUD y CBMD en la
identificacin de SIB T-S, se identific un SIB T-S con CBUD solo para predecir el primer
estado
1
. Se emplea el regresor de la Ecuacin (4.18), que presenta siete entradas. En
este caso se obtuvieron los mejores resultados utilizando campanas gaussianas como
funciones de pertenencia. Se realizaron dos particiones por cada entrada del regresor
con el fin de reducir el nmero de reglas borrosas. El nmero de reglas con CBUD est
definido por el nmero de particiones a las potencia del nmero de variables del
regresor. En este caso se obtienen 128 reglas borrosas. Entindase que la finalidad de
estos modelos es incluirlos luego en una estrategia de control (en este caso CPNBM).
Por tal motivo, se debe entender que el mejor modelo es el que refleja el comportamiento
real, pero que a su vez sea viable dentro del algoritmo de optimizacin del CPNBM
empleado para controlar un proceso industrial real.

1
predicho con SIB T-S y CBUD frente a datos de:
Identificacin (izquierda) y Validacin (derecha).

La Figura 4-16 presenta el comportamiento de
1
predicho con SIB T-S y CBUD frente a
datos de identificacin y validacin. La Tabla 4-4 presenta la comparacin del IAE de
0 1000 2000 3000 4000 5000
-1
-0.5
0
0.5
1
1.5
0 500 1000 1500 2000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

identificacin y validacin del SIB T-S con CBUD y el SIB T-S con CBMD obtenido en el
Seccin 4.4.2. La perdida de informacin al conformar CBUD para cada variable del
regresor [Sierra, 2009], la dificultad de ajuste de parmetros y el gasto computacional, se
ve reflejado en los resultados obtenidos en la Tabla 4-4. En adelante se emplea el SIB T-
S con CBMD obtenido en la Seccin 4.4.2, por ser el modelo ms promisorio a incluir
dentro de una estrategia de control no lineal avanzada, en este caso CPNBM.

Tabla 4-4: Comparacin entre SIB T-S con CBUD y con CBMD obtenidos.
Modelo Regresor Especificaciones N Reglas
IAE prom.
Ident.
IAE prom.
Val.
SIB T-S con
CBUD
Ecuacin (4.18)
2 particiones
para cada CBUD
128 0.1130 0.3166
SIB T-S con
CBMD
Ecuacin (4.18) 3 CBMD 3 0.0057 0.0219
4.5 Convergencia del SIB T-S con CBMD
Continuando la discusin de la Seccin 2.3, para garantizar la estabilidad del proceso
controlado no solo basta con utilizar un esquema de CPNBM que garantice estabilidad
del controlador. Es necesario adems, garantizar la convergencia del modelo. En este
trabajo se propone para garantizar la estabilidad del controlador, utilizar una
implementacin del un CPNBM dual. El CPNBM dual tiene una restriccin terminal de
desigualdad asociada con la llamada regin terminal (). Fuera de esta regin acta el
CPNBM tradicional, pero al ingresar a la regin terminal, se conmuta a un controlador
local () = o incluso PID, de all el nombre de CPNBM por modo dual.

Por otra parte los SIB T-S son modelos puramente algebraicos que no iteran para
predecir, es decir, garantizan la existencia de los valores de los estados o salidas
predichos en cada momento de optimizacin. Adems, los SIB T-S con CBMD no tienen
ninguna variable aleatoria, todos sus parmetros se deducen a partir de la base de
conocimientos (datos) empleados para la identificacin de sus parmetros. Por estas
razones, se garantiza la convergencia del modelo para las entradas medidas
comprendidas entre los valores de los datos entregados. Es decir, para entradas
acotadas se garantizan que la salida del modelo ser acotada [lvarez, 2000].

5. Propuesta y evaluacin del CPNBM con SIB
T-S y CBMD
En la actualidad la industria continua siendo reacia a la implantacin de estrategias de
modelado y control avanzado de procesos, aun cuando se dispone de capacidad de
procesamiento de informacin para utilizarla y lograr procesos ms ptimos. Los PID son
los controladores preferidos en la mayora de procesos, a pesar de su dificultad de
manejar no linealidades fuertes y dinmicas complejas, como en el control de pH,
variable muy importante en la industria azucarera y el tratamiento de aguas. En el control
de estos procesos es donde la estrategia de Control Predictivo No Lineal Basado en
Modelo (CPNBM) tiene un futuro prometedor.

El CPNBM acepta cualquier tipo de modelos, funciones objetivo o restricciones, siendo la
metodologa que actualmente puede reflejar ms directamente los mltiples criterios de
funcionamiento relevantes en los procesos industriales. El proceso puede estar
representado por un Modelo Semifsico de Base Fenomenolgica (MSBF) [lvarez et al,
2009]. Los MSBF contienen implcitamente toda la informacin del proceso y al incluirlo
dentro del CPNBM se asemeja a un controlador ideal. Otra forma de representar el
proceso real es a partir de Sistemas de Inferencia Borrosa Takagi-Sugeno (SIB T-S) e
incluir Conjuntos Borrosos Multidimensionales (CBMD) para partir el espacio de estados
en grupos (clusters) y no en conjuntos borrosos independientes para cada entrada
(conjuntos borrosos unidimensionales). Los CBMD reducen drsticamente la
incertidumbre adicionada al modelo [Sierra, 2009], el nmero de parmetros del modelo
(para el caso de Conjuntos Borrosos Unidimensionales los grados de libertad del modelo
exigen alta destreza de quien modela y se pierde la informacin que relaciona los
estados) y el manejo de la carga computacional. Entonces, una alternativa para
reproducir la estrategia de control del operador de forma compacta y viable

computacionalmente, es modelar el proceso no lineal a travs SIB T-S con CBMD y
entonces incorporar dicho modelo en el CPNBM [lvarez, 2000], [lvarez y Pea, 2004].

En este captulo se comparan cualitativamente y cuantitativamente, diferentes
controladores para el control de pH del proceso de alcalinizacin de jugo de caa en un
ingenio azucarero. Los controladores que se comparan son: i) un controlador PID
convencional ii) un Controlador Predictivo No Lineal Basado en un Modelo Semifsico de
Base Fenomenolgica (CPNBM con MSBF) y iii) un Controlador Predictivo No Lineal
Basado en Modelo usando como modelo un Sistema de Inferencia Borrosa Takagi-
Sugeno con Conjuntos Borrosos Multidimensionales (CPNBM con SIB T-S y CBMD). Se
enfatizan las bondades que este ltimo controlador tiene en aplicacin de procesos
industriales no lineales y/o con dinmicas complejas. Para comparar los controladores de
tal modo que reflejen la realidad industrial, se modelo el Elemento Final de Control (EFC)
con una funcin de trasferencia de primer orden con retardo.

A continuacin en la Seccin 5.1 se disea un controlador PID convencional.
Posteriormente en la Seccin 5.2 se presentan los resultados obtenidos de los tres
controladores en figuras y tablas. Finalmente en la Seccin 5.3 se caracteriza
cuantitativamente y cualitativamente los CPNBM usando SIB T-S con CBMD en el control
de procesos qumicos no lineales a nivel industrial, en aspectos como: i) precisin,
desempeo y robustez del CPNMB y ii) la velocidad de ejecucin y la facilidad de
implantacin del algoritmo.
5.1 Diseo de un PID convencional para el PdeR
Para realizar la comparacin de controladores con miras en la implantacin industrial es
necesario incluir la estrategia de control preferida en los procesos industriales (PID
convencional). En esta seccin se disea un controlador PID convencional por mtodo de
la curva de reaccin ajustando los parmetros por el mtodo de Ziegler-Nichols (Z-N),
mtodo comnmente empleado en la industria para la sintonizacin de controladores
PID. La curva de reaccin (ver Figura 5-1) se obtiene de la excitacin sistema mediante
un escaln, tal y como lo recomienda el mtodo seguido en la industria. El sistema
contiene el comportamiento del Elemento Final de Control y del MSBF (ver Captulo 3). El
comportamiento del EFC se incluye con la finalidad de reflejar la problemtica tpica que
Captulo 5. Propuesta y Evaluacin del CPNBM con SIB T-S y CBMD 71

presentan las vlvulas y otros EFC en el control industrial. La curva de reaccin se puede
luego representar como un modelo de primer orden con retardo, el cual es presentado en
la Ecuacin (5.1). Los parmetros de ganancias proporcional, integral y derivativo del
controlador PID se obtienen por las ecuaciones Ziegler-Nichols [Ziegler and Nichols,
1942] y se presentan en la Ecuacin (5.2).

Figura 5-1: Curva de reaccin causada por un escaln positivo de 10 GPM en el flujo
de lechada de cal.

() =

+1
=
0.1983
0.075
0.226 + 1

(5.1)

=
1.2
= 18.2166,
= 2 = 0.15,
= 0.5 = 0.0375
(5.2)
5.2 Simulacin de controladores aplicado al proceso de
alcalinizacin de jugo de caa para el control de pH.
Las simulaciones del proceso se realizan con las perturbaciones presentadas en la
Figura 5-2. Las perturbaciones corresponden a la reduccin en el flujo de jugo de caa
sulfitado, reduccin en el pH de jugo de caa sulfitado y aumento en el pH de lechada de
cal respectivamente. Las perturbaciones realizadas se presentan comnmente en el
proceso de Clarificacin de jugo de caa del Ingenio La Unin S.A. Guatemala.

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
35
40
45
50
g
p
m
tiempo(min)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
7
8
9
10
p
H
tiempo(min)

Figura 5-2: Comportamiento de la perturbaciones para la simulacin de los
controladores.

Los resultados de la simulacin del controlador PID se presentan en la Figura 5-3, donde
la figura del lado izquierdo presenta el comportamiento de la accin de control o flujo de
lechada de cal y la figura del lado derecha presenta el comportamiento de la salida o pH
de jugo alcalinizado. All se observa la dificultad de convergencia del controlador para
diferentes puntos de operacin. En la Figura 5-3 del lado izquierdo se aprecian flujos por
fuera del rango de operacin real del proceso, como lo son los flujos negativos, esto
debido a la dificultad que el controlador PID tiene para incluir restricciones.

Figura 5-3: Simulacin del PdeR controlado por un PID con sintonizacin por Z-N:
accin de control (izquierdo), salida (derecho).

0 5 10 15 20
1000
1500
2000
Perturbacin d1 - Flujo de J ugo
g
p
m
0 5 10 15 20
4
4.5
5
Perturbacin d2 - pH del J ugo
p
H
0 5 10 15 20
12.3
12.4
12.5
Perturbacin d3 - pH de la lechada de cal
p
H
tiempo(min)
0 5 10 15 20
-40
-20
0
20
40
60
80
g
p
m
tiempo(min)
0 5 10 15 20
3
4
5
6
7
8
9
10
11
p
H
tiempo(min)

A manera de ilustracin, se restringe la accin de control segn las caractersticas del
Elemento Final de Control (EFC) para reflejar el comportamiento del controlador en un
proceso real. Los resultados de la simulacin del controlador PID con sintonizacin por Z-
N y restriccin en el EFC, se presentan en la Figura 5-4.

Figura 5-4: Simulacin del PdeR controlado por un PID con sintonizacin por Z-N y
restriccin en el EFC: accin de control (izquierdo), salida (derecho).

El controlador PID con sintonizacin por mtodos convencionales (como el mtodo de Z-
N) no presenta resultados adecuados en proceso que presentan dinmicas complejas y
fuertemente no lineales como el ajuste y control de pH. Otros mtodos para identificacin
de parmetros de controladores PID requieren de un modelo lineal de proceso [Astrom
and Hagglund, 2006]. El MSBF por invariantes de reaccin para control de pH
presentado en la Ecuacin (3.20) y la Ecuacin (3.21) presenta alta complejidad para su
linealizacin [Henson and Seborg, 1997]. Dicha linealizacin no hace parte de este
trabajo, por tal motivo se realiza un ajuste manual fino para mejorar la respuesta del
controlador. Los resultados del controlador PID con sintonizacin manual se presentan
en la Figura 5-5. El controlador PID con sintonizacin manual presenta comportamientos
adecuados, ms adelante se compara cuantitativamente la respuesta de este controlador
con ndices de desempeo.

0 5 10 15 20
0
10
20
30
40
50
60
70
80
g
p
m
tiempo(min)
0 5 10 15 20
5
6
7
8
9
10
11
p
H
tiempo(min)

Figura 5-5: Simulacin del PdeR controlado por un PID con sintonizacin manual:
accin de control (izquierdo), salida (derecho).

En procesos como la alcalinizacin de jugo de caa se requiere controlar el pH, all es
donde se ve la necesidad de implantar controladores avanzados como el Controlador
Predictivo No Lineal Basado en Modelo (CPNBM). La Figura 5-6, presenta el algoritmo
para la simulacin del proceso controlado por un CPNBM usando un Modelo Semifsico
de Base Fenomenolgica (MSBF). La Figura 5-7 presenta los resultados obtenidos en
dicha simulacin empleando el MSBF validado en el Captulo 3. Es de aclarar que el
MSBF es usado tanto como modelo del controlador y como planta o proceso real, de ah
uno de los motivos por el cual se presenta tan buen desempeo experimental. Otra de
las razones del buen desempeo del CPNMB con MSBF, es la gran cantidad de
informacin dinmica del proceso que se puede representar en las ecuaciones
diferenciales del MSBF. Pero, las ecuaciones diferenciales pueden presentar problemas
de convergencia debido a las iteraciones que se presentan al solucionarlas, adems, del
excesivo tiempo de cmputo para dinmicas complejas hara inviable el control en tiempo
real (la seal al EFC llegara demasiado tarde porque buena parte del tiempo de
muestreo se us para calcular dicha accin en el controlador).

0 5 10 15 20
15
20
25
30
35
40
45
50
55
g
p
m
tiempo(min)
0 5 10 15 20
6
6.5
7
7.5
8
8.5
9
9.5
10
p
H
tiempo(min)

Figura 5-6: Algoritmo del CPNBM usando como modelo un MSBF.
Cargar parmetros del Modelo Semifsico
de Base Fenomenolgica (MSBF) y
definir parmetros del CPNBM
Actualiza Perturbaciones Medidas en k
Genera Matriz de acciones de control por
Optimizacin por Enumeracin Restrigida (OER)
U(n_politicas, Hp)
Aplicar U(i,j) al MSBF, para obtener
Ysim(i,j+1)
Calcular el error y esfuerzo
E=Ysp-Ysim(i,j+1) Ez=U(i,j)-U(i,j-1)
Calcular el Funcional de Costo
FC=*|E|+*|Ez|
FC<FCoptimo
Tira optima
Uoptima=U(i,:)
Si
No
Aplicar Uoptima(1) a la planta, para
obtener Yreal(k+1)
Analisis de graficas y resultados
Inicializar variables
Para k=1:t_sim
Para i=1:n_politicas
Para j=1:Hp
FIN


Figura 5-7: Simulacin del PdeR controlado por un CPNBM con MSBF: accin de
control (izquierdo) y salida (derecho).

Por otra parte, lo que ha logrado el xito industrial de los controladores PID es la fcil
sintonizacin y viabilidad de programacin en equipos industriales de control como los
Autmatas Programables (AP), xito que los CPNBM no han alcanzado. Debido a esto,
hay que dotar a los controladores avanzados como el CPNBM de modelos no lineales
fieles al proceso, pero que adems, sean eficientes computacionalmente y compactos.

La restriccin del uso industrial del CPNBM en aplicaciones industriales se debe
bsicamente a tres factores [Camacho and Bordons, 2004]: i) la poca disponibilidad de
modelos matemticos no lineales, ii) la solucin compleja de la optimizacin debido al
modelo no lineal y iii) los pocos resultados de estabilidad y robustez del controlador a
nivel industrial.

El primer aspecto se soluciona empleando la metodologa planteada en el Captulo 3 y el
Captulo 4 [lvarez y Pea, 2004] [lvarez et al., 2009], donde se identifican Sistemas de
Inferencia Borrosa Takagi-Sugeno (SIB T-S) con Conjuntos Borrosos Multidimensionales
(CBMD) a partir de los datos o base de conocimientos del MSBF que representa el
proceso real. Para la solucin del segundo aspecto se emplea la tcnica de Optimizacin
por Enumeracin Restringida (OER) como mtodo de optimizacin [Isaza y lvarez,
2011b] (ver Seccin 2.2.6). Este trabajo no pretende profundizar en este tema, pero se
seleccion la OER por sus buenos resultados experimentales obtenidos en su inclusin
en CPNBM como algoritmo de optimizacin en lnea [lvarez, 2000], [lvarez y Garca,
2005]. Finalmente, segn lo discutido en la Seccin 2.3 la estabilidad del sistema de
0 5 10 15 20
15
20
25
30
35
40
45
50
55
g
p
m
tiempo(min)
0 5 10 15 20
6
6.5
7
7.5
8
8.5
9
9.5
10
p
H
tiempo(min)

control depende de dos aspectos: i) del esquema de CPNBM que garantiza estabilidad ii)
y de la convergencia del modelo que se emplea.

Como trabajo futuro se plantea la inclusin del esquema de CPNBM con SIB T-S y
CBMD por modo dual (esquema discutido en la Seccin 2.3) para garantizar estabilidad
[Gutirrez, 2008], [Ramrez, 2011] y aumentar la regin re robustez del controlador
(respecto al PID). Para evidenciar la convergencia del CPNBM con SIB T-S y CBMD (ver
Seccin 4.5), se realizaron una serie de experimentos inicializando los invariantes de
reaccin o estados del proceso desde diferentes puntos de operacin. En la Figura 5-8,
se presenta el plano de fase del CPNBM con SIB T-S y CBMD inicializado desde
diferentes puntos de operacin y manteniendo la perturbacin constante. La lnea
diagonal de la Figura 5-8 del lado derecho representa las coordenadas de los estados
para los cuales el pH es 7.0; esto se puede evidenciar en la Figura 5-9. En la Figura 5-8 y
la Figura 5-9 se refleja la convergencia del controlador. La convergencia del modelo
tambin se garantiza al emplear SIB T-S por ser un modelo puramente algebraico. Los
modelos algebraicos no requieren iteraciones para predecir, lo que garantiza la
prediccin en cada instante de optimizacin. Adems, est garantizado que su ganancia
es acotada y por tanto cumplen con criterios de estabilidad BIBO (Bounded Input
Bounded Output) de Entrada Acotada Salida Acotada [di Sciascio, 1998].

Figura 5-8: Plano de fase del CPNBM con SIB T-S y CBMD inicializado en diferentes
puntos de operacin.

-6 -5 -4 -3 -2 -1
x 10
-4
1
2
3
4
5
6
7
x 10
-4
x
2
x1
-3.7 -3.65 -3.6 -3.55 -3.5 -3.45 -3.4 -3.35 -3.3
x 10
-4
3.989
3.99
3.991
3.992
3.993
3.994
3.995
3.996
3.997
3.998
x 10
-4
x
2
x1

Figura 5-9: Convergencia del CPNBM con SIB T-S y CBMD inicializado en diferentes
puntos de operacin.

El control de pH del proceso de alcalinizacin de jugo de caa del Ingenio La Unin S.A.
Guatemala, es simulado con el CPNBM usando como modelo un Sistema de Inferencia
Borrosa Takagi-Sugueno con Conjuntos Borrosos Multidimensionales (SIB T-S con
CBMD) que garantiza convergencia identificado en el Captulo 4. La Figura 5-10 presenta
los resultados obtenidos su simulacin.

Figura 5-10: Simulacin del PdeR controlado por un CPNBM con SIB T-S y CBMD:
accin de control (izquierdo) y salida (derecho).

En la Figura 5-10, el error de estado estacionario entre 8 y 12 minutos en el pH se
encuentra dentro del margen de error aceptable y se debe a dos factores: i) al error que
presenta el SIB T-S con CBMD respecto al MSBF (ver Captulo 3) y ii) al mtodo de
Optimizacin por Enumeracin Restringida (OER). El OER presenta un paso fijo para el
0 0.2 0.4 0.6 0.8 1
5
6
7
8
9
10
11
p
H
tiempo(min)
0 0.2 0.4 0.6 0.8 1
7.26
7.28
7.3
7.32
7.34
7.36
p
H
tiempo(min)
0 5 10 15 20
15
20
25
30
35
40
45
50
55
g
p
m
tiempo(min)
0 5 10 15 20
6
6.5
7
7.5
8
8.5
9
9.5
10
p
H
tiempo(min)

clculo de las polticas de control. Como trabajo futuro se pretende reducir el error de
estado estacionario, aplicando la metodologa de los observadores de estado en el
modelado de SIB T-S con CBMD y modificando el paso del algoritmo de OER cuando el
error se acerca a cero, para cada caso respectivamente.

A simple vista la Figura 5-7 y la Figura 5-10 parecen la misma, las diferencias del
comportamiento de los controladores se pueden apreciar en la Tabla 5-1. La Tabla 5-1
presenta los ndices de desempeo de los controladores empleados en las simulaciones:
Integral del valor Absoluto del Error (IAE), Integral del Error Cuadrtico (ICE) e Integral
del valor Absoluto del Error ponderado en el Tiempo (ITAE). Los ndices de desempeo
reflejan los buenos resultados que presentan los CPNBM, respecto a los controladores
PID aplicados a procesos altamente no lineales y con dinmicas complejas. Adems de
los ndices de desempeo tambin se comparan aspectos que brindan informacin muy
valiosa en los procesos industriales: integral del esfuerzo realizado por EFC y el consumo
total de la lechada de cal en galones. El esfuerzo del EFC y el consumo total de lechada
de cal se aprecia menor en la simulacin del proceso con controlador PID, pero los
mejores resultados de operacin reflejados en los demas ndices de desempeo.

Tabla 5-1: ndices de desempeo de los controladores simulados para el PdeR.
Controlador IAE ICE ITAE
Esfuerzo
del EFC
Consumo de
lechada de cal
PID 95.8587 106.5705 668.1676 60.05 14079
CPNBM con
MSBF
76.2504 107.2625 529.7691 57.78 14525
CPNBM con SIB
T-S y CBMD
81.9486 92.9881 551.0280 79.17 14476

En la siguiente seccin se caracterizarn diferentes atributos del CPNBM con SIB T-S y
CBMD, caractersticas que lo hacen propicio para la implantacin en ambientes
industriales.


5.3 Caracterizacin de atributos del CPNBM con SIB T-S
y CBMD.
Es importante que el lector aprecie la viabilidad que el CPNBM usando SIB T-S con
CBMD puede tener para implantarse en aplicaciones industriales reales. Por esta razn,
en esta seccin se caracterizan atributos de este controlador aplicado al proceso de
alcalinizacin de jugo de caa del Ingenio La Unin S.A. obtenido en la seccin anterior.
Los atributos que se analizan en este trabajo son presentados en la Tabla 5-2. Los
atributos del CPNBM con SIB T-S y CBMD son comparados con el CPNBM con MSBF.

Tabla 5-2: Atributos analizados para el CPNBM con SIB T-S y CBMD.
ATRIBUTO MTODO DE ANLISIS HERRAMIENTA
Desempeo y precisin
del control
ndices de desempeo IAE, ICE, ITAE,

Robustez control Experimental rea de robustez
Carga computacional del
SIB T-S con CBMD
ndices de desempeo
Tiempo de prediccin del
modelo y tiempo de clculo
en un procesador dado.
Viabilidad de Implantacin
del algoritmo
Analtico Descripcin subjetiva

En la Tabla 5-3 se comparan los ndices de desempeo obtenidos al emplear un CPNBM
con SIB T-S y CBMD frente a un CPNBM con MSBF. Los ndices de desempeo
empleados son: Integral del valor absoluto del error (IAE), Integral del error cuadrtico
(ICE), Integral del valor absoluto del error ponderado en el tiempo (ITAE), tiempo de
asentamiento (
) y mximo sobre sobreimpulso (
). El tiempo de establecimiento y el
mximo sobre impulso se calcula solo para la primera perturbacin.

Tabla 5-3: ndices de desempeo de los controladores simulados para el PdeR.
Controlador IAE ICE ITAE

CPNBM con MSBF 79.2504 107.2625 529.7691 1.1 30.8297
CPNBM con SIB T-S y CBMD 81.9486 92.9891 551.0280 1.3 30.2556


La robustez del CPNBM con SIB T-S y CBMD se evala experimentalmente al
seleccionar perturbaciones al azar y analizar la convergencia del controlador. Las
perturbaciones realizadas para el PdeR se realizan con respecto al flujo de jugo sulfitado,
al pH de jugo sulfitado y al pH de la lechada de cal. La Figura 5-11, la Figura 5-12 y la
Figura 5-13 presentan la convergencia del controlador frente a las perturbaciones
realizadas en los experimentos. Las figuras del lado izquierdo corresponden a las
perturbaciones realizadas en escalones y las figuras del lado derecho corresponden al
comportamiento del pH, respectivamente. Las magnitudes de las perturbaciones se
seleccionaron de acuerdo al comportamiento del proceso de alcalinizacin de jugo de
caa del Ingenio la Unin S.A., Guatemala.

Figura 5-11: Anlisis de robustez del CPNBM con SIB T-S y CBMD frente a variaciones
en el flujo de jugo sulfitado.

en el pH flujo de jugo sulfitado.

0 0.5 1 1.5 2
1000
1200
1400
1600
1800
2000
2200
g
p
m
tiempo(min)
0 0.5 1 1.5 2
6.5
7
7.5
8
8.5
9
9.5
10
p
H
tiempo(min)
0 1 2 3 4 5
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
5
p
H
tiempo(min)
0 1 2 3 4 5
6
6.5
7
7.5
8
8.5
9
9.5
10
10.5
p
H
tiempo(min)

en el pH de la lechada de cal.

La carga computacional del modelo, se analiza cuantitativamente con el tiempo de
clculo que requieren los modelos para predecir el estado
1
. El tiempo de clculo
depende adems del procesador empleado. El procesador empleado para la simulacin
del algoritmo es un AMD Turion(tm) X2 Dual-Core Movile RM-70 2.00 GHz. Los
resultados se presentan en la Tabla 5-4. Los resultados para predecir el estado
2
son
similares. Por otra parte, se realiza un anlisis cualitativo desde la naturaleza del modelo.
Los MSBF requieren de iteraciones para predecir debido a las ecuaciones diferenciales,
es decir, no garantizan la prediccin inmediata sino que requieren de ciclos de espera o
convergencia (while). Los SIB T-S por ser modelos puramente algebraicos garantizan la
prediccin en cada instante de forma inmediata.

Tabla 5-4: ndices de carga computacional de los modelos para predecir
1
.
Modelo
Tiempo de clculo para prediccin (seg.)
Mnimo Mximo Promedio
SIB T-S y CBUD 0.0190 0.0879 0.0225
SIB T-S y CBMD 3.8825 10
4
0.0090 6.8680 10
4

La viabilidad de implantacin del controlador se analiza con miras a la aplicacin de
procesos industriales. El algoritmo para la programacin de un CPNBM con SIB T-S y
CBMD se presenta en la Figura 5-14. Para el anlisis de viabilidad, las operaciones del
0 0.5 1 1.5 2 2.5 3
12.2
12.25
12.3
12.35
12.4
12.45
12.5
12.55
p
H
tiempo(min)
0 0.5 1 1.5 2 2.5 3
6.5
7
7.5
8
8.5
9
9.5
10
p
H
tiempo(min)

algoritmo de control se pueden fragmentar en: ciclos de control y optimizacin,
generacin de polticas de control para la Optimizacin por Enumeracin Restrigida
(OER), ejecucin del modelo, clculo del error y optimizacin del funcional de costo.

Figura 5-14: Algoritmo del CPNBM usando como modelo un SIB T-S con CBMD.
Cargar centros y ponderadores del SIB
T-S con CBMD y definir parmetros del
CPNBM
Actualiza Perturbaciones Medidas en k
Genera Matriz de acciones de control por
Optimizacin por Enumeracin Restrigida (OER)
U(n_politicas, Hp)
Aplicar U(i,j) al SIB T-S con CBMD, para
obtener Ysim(i,j+1)
Calcular el error y esfuerzo
E=Ysp-Ysim(i,j+1) Ez=U(i,j)-U(i,j-1)
Calcular el Funcional de Costo
FC=*|E|+*|Ez|
FC<FCoptimo
Tira optima
Uoptima=U(i,:)
Si
No
Aplicar Uoptima(1) a la planta, para
obtener Yreal(k+1)
Analisis de graficas y resultados
Para k=1:t_sim
Inicializar variables
Para i=1:n_politicas
Para j=1:Hp
FIN


Para la simulacin del algoritmo de control, los ciclos se realizan con comandos comunes
en cualquier lenguaje de programacin como los comandos for o if. La generacin de
polticas de control y la OER (como se discuti en la Seccin 2.2.6) es un mtodo de
optimizacin enumerativo simple y compacto estructuralmente debido al empleo de
operaciones aritmticas bsicas comunes tambin en cualquier lenguaje de
programacin. La complejidad operacional y la carga computacional (ver Tabla 5-4) son
necesarias para analizar la ejecucin del modelo. Los SIB T-S son simples
operacionalmente por su naturaleza heurstica y algebraica, estn estructurados a partir
de comparaciones y operaciones aritmticas, por lo que es posible implementarlos en
mltiples lenguajes de programacin. Por otra parte, implantando CBMD se reducen
drsticamente el nmero de reglas borrosas influyendo en una reduccin del tiempo de
cmputo lo que hace que el tiempo de solucin del modelo sea compatible con la
dinmica del proceso y con la capacidad de procesamiento de informacin de los equipos
de control industrial. En tal sentido, se puede afirmar que el CPNBM con SIB T-S y
CBMD presenta compatibilidad en su algoritmia con el lenguaje de programacin de los
equipos de control industrial como los autmatas programables [Siemens, 2004] [Bolton,
2006].

6. Conclusiones y trabajo futuro
6.1 Conclusiones
A continuacin se presentan algunas conclusiones que se desprenden del desarrollo
terico y prctico de esta tesis. Para recorrer el cuerpo del trabajo de manera
organizada, las conclusiones se presentan en el orden de los captulos donde se
exponen los planteamientos y resultados en mencin.

En el Captulo 1 se present material introductorio y general del trabajo realizado. En el
Captulo 2 se present brevemente la fundamentacin de controladores predictivos
basados en modelo enfatizando en control no lineal, se discutieron algunas brechas
abiertas de estos controladores algunas de las cuales se abordan en el Captulo 5 y otras
se proponen como trabajo futuro. En el Captulo 3 se present el problema de control y
ajuste de pH como Problema de Referencia (PdeR) de la presente investigacin. Se
discuti la importancia y la problemtica del PdeR. Tal PdeR puede abordar el diseo y
sintona de cualquier estrategia de control para el proceso, con la certeza de que los
resultados de simulacin pueden fcilmente ser trasladados a la planta real. Para
evidenciarlo se aplic al proceso de alcalinizacin de jugo de caa del Ingenio Azucarero
La Unin S.A, Guatemala.

En el Captulo 4 se abord el problema del modelado e identificacin de procesos
mediante Sistemas de Inferencia Borrosa (SIB). Los SIB son clasificados en tres
subgrupos: lingsticos, relacionales y Takagi-Sugeno (T-S). El SIB T-S posibilita la
utilizacin de Conjuntos Borrosos Unidimensionales (CBUD) y Conjuntos Borrosos
Multidimensionales (CBMD). Ambos tipos se compararon cuantitativa y cualitativamente
por medio de simulaciones, presentando mejores resultados los CBMD. Aunque esta no
es la temtica de esta tesis, se present una metodologa novedosa para seleccionar los

parmetros del SIB T-S con CBMD, la misma que fue presentada en un evento
internacional [Isaza y lvarez, 2011a].

La parte principal del planteamiento de la tesis se desarroll en el Captulo 5. All se
dise el CPNBM usando como modelo un SIB T-S con CBMD y se aplic al proceso de
alcalinizacin para el control y ajuste de pH de jugo de caa. El controlador propuesto se
compar cualitativamente y cuantitativamente con un controlador PID convencional y un
Controlador Predictivo No Lineal Basado en un Modelo Semifsico de Base
Fenomenolgica (CPNBM con MSBF) para el control del PdeR. Se caracterizaron las
bondades que el CPNBM con SIB T-S y CBMD tiene en el control de procesos qumicos
no lineales a nivel industrial, en aspectos como: i) precisin, desempeo y robustez del
CPNMB y ii) la velocidad de ejecucin y la facilidad de implantacin del algoritmo.

Como conclusin general esta tesis pretendi estrechar un poco ms la brecha existente
entre la investigacin y la industria para la implantacin de tcnicas de modelado y
control avanzado de procesos. Como muestra de esto: i) se presentaron los SIB T-S con
CBMD como modelos tiles en ingeniera, ii) se demostraron los buenos resultados de la
inclusin de SIB T-S con CBMD en el CPNBM y iii) se evaluaron algunos aspectos
importantes de los CPNBM usando como modelo un SIB T-S con CBMD con buenos
resultados; resultados que los hacen propicios para su implantacin en procesos
qumicos no lineales. Es importante que el lector identifique este controlador como la
herramienta que puede suplir las necesidades de eficiencia, eficacia y efectividad que el
control procesos industriales tiene. El CPNBM con SIB T-S y CBMD no se pretendi
mostrar como el controlador que rompe el paradigma del buen funcionamiento de los
controladores PID. El CPNBM con SIB T-S y CBMD se present como una tcnica de
modelado y control avanzado que fortalece las capacidades de desempeo y robustez
del controlador PID. Esta fusin de controladores denominada CPNBM por modo Dual no
se present en esta tesis, pero por su futuro promisorio, ser trabajo futuro dentro del
Grupo de Investigacin en Procesos Dinmicos (KALMAN). Al igual que estas brechas
abiertas hay otras que se identificaron durante la realizacin de esta investigacin las
cuales se presentan a continuacin.

Captulo 6. Conclusiones y trabajo futuro 87

6.2 Trabajo futuro
Como comentario final, pueden mencionarse brechas que deja abierta la tesis, las cuales
sern objetivo de trabajo futuro dentro del Grupo de Investigacin en Proceso Dinmicos
(KALMAN) de la universidad Nacional de Colombia Sede Medelln.

1. Respecto al Captulo 2, el algoritmo de Optimizacin por Enumeracin Restringida
se emple en la tesis como la tcnica de optimizacin del CPNBM. Esta tcnica
de optimizacin presenta buenos resultados experimentalmente, pero se hace
necesario dotarla de resultados matemticamente formales. Una primera
aproximacin fue presentada en el evento nacional [Isaza y lvarez, 2011b].
2. En el Captulo 3, se plante como trabajo futuro encontrar la relacin de la
conductividad (que fcilmente se puede medir a nivel industrial) y la carga
elctrica (variable de estado del modelo para el control de pH). Esta relacin
permitira disminuir el error de la prediccin del modelo. De esta forma no se
requerira medir el pH, variable que a nivel industrial presenta un gran desafo por
lo delicados que son los electrodos de estos sensores. Es de aclarar que la carga
elctrica presenta gran informacin en el comportamiento del pH.
3. Aplicar la metodologa de los observadores de estado en el modelado de SIB T-S
con CBMD. Durante el desarrollo de la tesis se lograron algunos experimentos
favorables para reducir el error de prediccin del modelo usando estructuras tipo
observadores.
4. La fusin de controladores avanzados como el CPNBM con SIB T-S con CBMD
con controladores industriales PID es la forma ms promisoria que estos primeros
tienen en la implantacin en procesos industriales. Esta fusin se denomina
Control Dual.
5. Finalmente, es necesario implantar el algoritmo del CPNBM con SIB T-S con
CBMD en un autmata programable para analizar en una aplicacin a nivel
industrial su viabilidad.

Bibliografa

Ali, E. and Elnashaie, S. (1997). Nonlinear model predictive control of industrial type IV
fluid catalytic cracking (FCC) units for mximum gasolina yield. Ind. Eng. Chem. Res. Vol
36, pp 389-398.

Alkan, M.; Erkmen, A. and Erkmen I. (1994). Fuzzy Dinamic Programming.
Electrotechnical Conference Proceedings., 7th Mediterranean IEEE. Vol.2, pp 723-726.

llgwer, F., R. Findeisen and Z. Nagy. (2004). Nonlinear Model Predictive Control: From
Theory to Application. J . Chin. Inst. Chem. Engrs, 35, pp. 299-315.

lvarez, H. (2000). Control predictivo basado en modelo borroso para el control de pH.
Temas de Automtica. 10. Editorial Fundacin UNSJ , San J uan, Argentina.

lvarez, H. (2010). Diseo simultaneo de procesos y control: Uso y efectos dinmicos de
ingeniera de procesos. Trabajo de Ao Sabtico. Universidad Nacional de Colombia,
Sede Medelln.

lvarez, H. y Pea, M. (2004). Modelamiento de Sistemas de Inferencia Borrosa Tipo
TakagiSugeno. Avances en Sistemas e Informtica Nmero 1, pp 1-11, Medelln,
Colombia.

lvarez, H. and Londoo, C. (1999). Representation capability of a particular benchmark
for the pH neutralization process. Proc. VIII RPIC99, Mar de Plata, Argentina, vol. 1, pp
47-52.


lvarez, H.; Londoo, C.; di Sciascio, F. and Carelli, R. (2001). pH Neutralization process
as a benchmark for testing nonlinear controllers. Indust. and Eng. Chemistry Research
26.

lvarez, H.; Lamanna, R.; Vega, P. y Revollar, S. (2009). Metodologa para la obtencin
de MSBF aplicada a una sulfitadora de jugo de caa de azcar. Rev. Iberoamericana de
Automtica e Informtica Industrial. Vol 6, pp 10-20.

lvarez, L.A. y Garca, J . (2005). Control predictivo basado en modelo no lineal aplicado
a un bioproceso. Trabajo de Grado. Universidad Nacional de Colombia, sede Medelln.

Aris, R. (1965). Introduction to the analysis of chemical reactors, Prentice Hall, N.J .

Astrom, K.J . and Hagglund, T. (2006). Advanced PID control. ISA-The Instrumentation,
Systems, and Automation Society.

Astrom, K.J . and Wittenmark, B. (1989). Adaptive Control. Addison-Wesley.

Ayres, G.H. (1970). Anlisis Qumico Cuantitativo. Segunda Edicin, Harla. Mxico.

Balan, R.; Matie, V.; Hancu O.; Stan, S. and Ciprian, L. (2007). Nonlinear Control Using
a Model Based predictive Control Algorithm. Proc. International Symposium on
Computacional Intelligence in Robotics and Automation, pg. 510-515. USA.

Bolton, W. (2006). Programmable Logic Controllers. Fourth edition. Elsevier Newnes.

Botero, H. and lvarez, H. (2011). Non linear state and parameters estimation in chemical
processes: analysis and improvement of three estimation structures applied to a CSTR.
International journal of chemical reactor engineering. Vol 9, article A6.

Bremermann and Anderson, (1990). Bacterial chemotaxis, an alternative to
Backpropagation. Center of pure and applied mathematics. U of California. Internal
Report No. PAM-483.

Bibliografa 91

Brosilow, C. and J oseph, B. (2002). Techniques of model-based control. Prentice-Hall.

Camacho, E.F. and Bordons, C. (2004). Model Predictive Control. Second Edition,
Springer. London.

Chen and Allgower, (1998). Nonlinear model predictive control schemes with guaranteed
stability. In, Nonlinear Model Based Process Control. R. Berber, editor. Kluwer academic
publishers, Dordrecht.

Clarke, D., Mohtadi, C. and Tuffs, P. S. (1987a). Generalized predictive control. Part I:
The basic algorithms, Automatica 23, pp 137148.

Clarke, D. W., Mohtadi, C. and Tuffs, P. S. (1987b). Generalized predictive control. Part II:
Extensions and interpretations, Automatica 23, pp 149160.

Creus, A. (2005). Instrumentacin Indsutrial. Septima Edicin, Marcambo. Barcelona.

Cutler, C. R. and Ramaker, B. L. (1980). Dynamic matrix control a computer control
algorithm, en Proceedings of Automatic Control Conference.

de Oliveira, S., (1996). Model Predictive Control (MPC) for constrained nonlinear
systems. Thesis for the degree of PhD. California Institute of Technology. Pasadena.

di Sciascio, F. (1998). Sistemas borrosos multilineales y multilineales a tramos: una
aproximacin a la formacin del control borroso. Tesis Doctoral. Universidad Nacional de
San J uan, Argentina.

Espinosa, J . and Vandewalle, J . (1997). Fuzzy modeling and identification, a guide for the
user. IEEE Singapure International Symposium on Control Theory and Applications, vol.
2, pp 889-895.

Espinosa, J . and Vandewalle, J . (1998). Predictive control using fuzzy models. In:
Advances in soft computing, edited by Roy, Furahaschi and Chawdhry. Springer-Verlag.


Garca, C. E. and Morshedi, A. M. (1986). Quadratic programming solution of dynamic
matrix control (QDMC). Chemical Engineering Communications 46, pp 7387.
Gonzlez R. (2006). Control predictivo Multivariable basado en modelo en un proceso
discontinuo. Tesis de M.Sc. U. Nacional de Colombia, Medelln.

Gustafsson, T.K. (1982). Calculations of the pH value of mixtures. Chem. Eng. Sci., vol.
37, No. 9, pp 1419-1421.

Gustafsson, T.K. and Waller, K.V. (1983). Dynamic modeling and reaction control of pH.
Chem. Eng. Sci., vol. 38, No. 3, pp 389-398.

Gutirrez, L. (2008). Determinacin Matemtica de la Regin Terminal en un controlador
predictivo no lineal basado en modelo por Modo Dual. Tesis M.Sc. Universidad Nacional
de Colombia.

Gutirrez, L.; Odloak, D.; Sotomayor, O. and lvarez, H. (2008). A dual mode MPC
scheme for nonlinear processes. Paper submitted to the 17th IFAC World Congress.

Henson, M.A. and Seborg, D.E. (1997). Nonlinear Process Control. Prentice Hall.

Holland, J .P. (1992). Adaptation in natural and artificial systems. Second printing of
original text (Michigan University, 1975), by MIT press edition.

Isaza, J . y lvarez, H. (2011a). Seleccin de parmetros para un sistema de inferencia
borrosa Takagi Sugeno con conjuntos borrosos multidimensionales. XIV Reunin de
Procesamiento de la Informacin y Control, RPIC2011, Entre Ros, Argentina.

Isaza, J . y lvarez, H. (2011b). Optimizacin por enumeracin restringida como solucin
al problema de optimizacin no lineal en CPNBM. II congreso de inteligencia
computacional, Medelln, Colombia.

J ohansen, T. (1996). Identification of non-linear systems using empirical data and prior
knowledge-an optimization approach. Automatica. 32:337-356

Bibliografa 93

Kwon, W. H. and Pearson, A. E. (1977). A modified quadratic cost problem and feedback
stabilization of a linear system, Automatica 22, 838842.

Lam, H.K. and Leung, F. (2011). Stability Analysis of Fuzzy-Model-Based Control
Systems. Springer.

Lee, E. and B. Markus, L. (1967). Foundations of optimal control theory, Wiley.
Limon, D. (2002). Control predictivo de sistemas no lineales con restricciones: estabilidad
y robustez. Tesis de doctorado. Universidad de Sevilla.

Ljung, L. (1987). System identification. Theory for the user. Prentice Hall.

Luus, H. (1996). Numerical convergence properties of iterative dynamic programming
when applied to high dimensional systems. Trans. I. Chem. E. Vol 74, part A, pp 55-62.

Magni, Raimondo and llgwer. (2009). Nonlinear model predictive control. Springer.

Mamdani, E. and Assilian, S. (1974). Application of fuzzy algorithm for control of simple
dynamic plant. Proc. IEE, 121(12):15851588.

Marquis, P. and Broustail, J . P. (1988). A bridge between state space and model
predictive controllers: application to the automation of a hydrotreating unit, en
Proceedings of the IFAC Workshop on model based predictive control.

Meadows, E.S. and Rawlings, L.B. (1997). Model Predictive Control. In: Nonlinear
process control, edited by Henson and Seborg, Prentice Hall.

Mishra, S.K. (2011). Topics in nonconvex optimization: theory and applications. Springer

Muske, K. and Edgar, T. (1997). Control of constrained systems, (set of transparencies).
Invited session to automatic train operation systems. Anal of Fuzzy Information
Conference, vol. 1, pp 59-72.


Pedrycz, W. (1984). An identification algorithm in fuzzy relational systems. Fuzzy sets and
Systems, (13):153167, 1984.

Paa, M. (2002). Control basado en modelos borrosos. Temas de Automtica. Editorial
Fundacin UNSJ , San J uan, Argentina.

Perry, R. (Editor in Chief). (1984). Perrys Chemical Engineers Handbook. McGraw-Hill.

Prichard, E. (2003). Practical laboratory skills training guides: Measurement of pH. Royal
Society of Chemistry.

Propoi, A.I. (1963). Use of linear programming methods for synthesizing sampled-data
automatic systems, Automn. Remote Control 24, pp 837-844.

Rao, C.V. and Rawlings, J .B. (2000). Linear programming and model predictive control.
J ournal of Process Control 10, pp 283-289.

Radons, G. and Neugebauer R. (2004). Nonlinear dynamics of production systems.
Wiley-VCH Verlag GmbH & Co. Alemania.

Ramrez, K. (2011). Control predictivo basado en modelo no lineal por modo dual viable.
Tesis Msc. Universidad Nacional de Colombia.

Rodrguez, E.C. y Gonzlez, B.M. (2003). Modelado de un sistema de Control de pH.
Universidad Autnoma de Tlaxcala.

Richalet, J .; Rault, A.; Testud, J . and Papon, J . (1978). Model predictive heuristic control:
Applications to industrial process. Automtica. Vol. 14, pp 413-428.

Richalet, J . (1993). Industrial applications of model based predictive control. Automtica,
Vol. 29, pp 1251-1274.

Snchez, J . and Rodellar, J . (1996). Adaptive predictive control: from concepts to plant
optimization. Prentice Hall.
Bibliografa 95

Shinskey, F. (1996). Process control systems. Applications, design and tuning. McGraw-
Hill.

Siemens. (2004). Programar con Step 7. Versin V5.3. Siemens AG. Alemania.

Sierra, C. (2009). Incertidumbre en el Proceso de Identificacin de Sistemas de Inferencia
Borrosa Takagi-Sugeno. Tesis Ph.D. Ingeniera de Sistemas. Universidad Nacional de
Colombia.

Smith, J .M. y Van Ness, H.C. (2008). Introduccin a la Termodinmica en Ingeniera
Qumica. McGraw-Hill.

Stan, S.; Balan, R. and Lapusan, C. (2006). Some Applications for Nonlinear Processes
of a Model Based Predictive Control Algorithm. IEEE

Surez, A. (1998). Nueva arquitectura de control predictivo para sistemas dinmicos no
lineales usando redes neuronales. Tesis de Doctorado en Ciencias de la Ing., mencin
automtica. U de Chile.

Takagi, T and Sugeno, M. (1985). Fuzzy identification of system and its applications to
modeling and control. IEEE Trans. on systems, man and cybernetics, vol. SMC-15, No. 1,
pp 116-132.

Takatsu, H. and Itou, T. (1996). Future needs of the control theory in industries. Proc.
35th Conference on Decision and Control, vol. 5, pp 4500-4505.

Van den Boom, T. and De Schutter, B., (2004). Optimization in systems and control.
Lecture Notes for the Course SC4090. Delft University of Technology.

Waller, K.V. and Makila, P.M. (1981). Chemical reaction invariants and variants and their
use in reactor modeling, simulation, and control. I&EC Proc.Des.Dev. 20, pp 1-11.


Wang, J . and Thomas, G. (2006). Model based Predictive Control Scheme for Nonlinear
Process. IEEE Proceedings of the 2006 American Control Conference. Minneapolis,
Minnesota, USA.

Werbos, P. (1995). Optimizations methods for brain-like intelligent control. Proc. IEEE
Conf. on Decision and Control, vol 1, pp 57-65.

Ziegler, J .G. and Nichols, N.B. (1942). Optimum settings for automatic controllers, Trans.
ASME 64, pp 759768.

Evaluación de Un Controlador Predictivo Basado en Un Modelo

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Evaluación de Un Controlador Predictivo Basado en Un Modelo

Enviado por

Direitos autorais:

Formatos disponíveis

Eval uaci n de un control ador

predi cti vo basado en un model o

16T es el horizonte de prediccin.

)], basada en las condiciones

)], de manera continua o

|), en un horizonte futuro de longitud

1), que aplicadas lograrn que el

( +|) para indicar que se estima el valor

es el valor de referencia para la salida, ( +

son trminos de ponderacin dependientes de la aplicacin, que efectan un

. Queda abierta la posibilidad de

y en algunos casos, diversos

= 1). En [lvarez y Garca, 2005] se prueba esta tcnica con ms

en horizonte de prediccin. El lector puede

y la salida del proceso. Gutirrez (2007) formula un CPNBM

+ en solucin. La actividad de una especie es una

) es independiente de la reaccin qumica, lo mismo que la

. Este sistema se denomina en adelante Sistema Carbnico.

carga electrnica de la solucin (balancea las especies con carga en la

concentracin de anin ltimo, en caso de

en todo el sistema. Conociendo este valor se calcula el primer invariante

es la constante de disociacin del agua.

= 0, permite la siguiente relacin entre los segundos

. La mayora de los SIB definen ese mapeo en trminos de una

se realiza a travs de una relacin borrosa = [

()} representa el grado con el cual la entrada numrica

()}. El conjunto borroso B se obtiene

. Lo comn es tratar con sistemas MISO, lo cual reduce el problema

, = 1, , , adquiere un grado de compatibilidad en cada

). Ese grado de compatibilidad se establece como la posibilidad (en el

( ) es el valor, instantes antes de , de la variable de entrada

es el nmero de valores previos de la variable de entrada , a

) es el nmero de valores previos de la salida del

se muestra en la Figura 4-3.

, en el instante . El espacio donde se define la variable x

, la dimensin de este espacio es

. Finalmente, la dimensin del espacio del regresor es

que integrarn el antecedente de las reglas

) y mximo sobre sobreimpulso (

Você também pode gostar